问：应届生身份对求职有多重要？ 答：我确认过只要没交社保、没正式入职就算应届生，这个身份非常关键。它让我不受三方协议约束，可以同时拿多个offer进行对比，把主动权掌握在自己手里。不过劣势也很明显——相比国内同学从研一就开始积累实习经验，我的实习经历较少，准备时间紧张，需要尽快弥补这个短板。 问：求职方向是如何规划的？是否有优先级排序？ 答：我目前首选大厂的算法岗或开发岗，比如阿里、腾讯、百度，主要看中它们的平台和资源。其次是智能硬件、机器人、自动驾驶等新兴领域，例如大疆、蔚来、小鹏，我觉得这些领域技术前沿性更强。最后才考虑国央企或科研院所，比如中科院或银行科技部，作为保底选项。我个人更倾向创新型岗位，哪怕薪资低一些，能学到东西、环境有趣更重要。 问：简历方面遇到了哪些问题？算法岗和开发岗的简历是否需要分开准备？ 答：太需要分开了！我之前就踩了坑——算法岗部分项目深度不够，比如实习做的RAG原型系统写得像“套壳子用工具”，没突出技术创新；开发岗则缺少技术栈描述，有些基础项目如推特情感分析看着像学校作业。现在打算准备两份简历：算法岗重点写世界模型这类核心项目的技术细节，开发岗会补充开发相关经验，删掉基础项目，突出亮点。 问：算法岗和开发岗分别需要补哪些能力短板？ 答：算法岗方面，我现在缺顶会论文和独立创新经验，比如改进模型架构、提升性能指标这些。所以最近在狂补行业常考的算法“八股文”，刷LeetCode中高难度题目，还要学强化学习等前沿知识。开发岗主要是技术栈展示，需要把做过的开发项目细节挖深，比如系统架构、优化方案。最重要的是不管哪个方向，都得提升项目阐述能力，把技术细节和创新点讲清楚，让面试官觉得“这活儿真干过”。 问：薪资预期大概是多少？不同行业差异大吗？ 答：我的目标年薪是30-50万，具体看行业。传统制造业或机器人领域可能低一点，25万左右；但大厂或热门领域比如阿里、字节的大模型组，听说应届生能到60万以上。其实下限不用太担心，只要简历和能力到位，25万以上是行业平均水平，上限就看个人表现和机会了。不过我更看重成长空间，薪资是其次。 问：春招时间紧张，如何提高投递成功率？ 答：我计划采用“广撒网+精准投递”策略，每天固定投10-15家公司，重点岗位单独修改简历。老师建议我同步推进多个面试，拿到offer后不急着签，利用offer之间的竞争关系去谈薪资，避免过早接受不理想的选项。毕竟应届生身份很宝贵，多对比才能选到最合适的。 问：对正在准备春招的同学有什么建议？ 答：我的建议是别焦虑，按计划推进！应届生身份、简历优化、刷题、项目深挖，这几块逐个突破，3-6个月肯定能拿到满意offer。最重要的是保持开放心态，多投多面，哪怕一开始被拒，也是积累经验的过程。

1. 职业影响力由职场环境与个人技能相乘决定，二者缺一不可，环境或技能任一短板将导致影响力归零 2. 职场环境包含经理、资源配置、职权范围、团队、薪酬激励、企业文化六大因素，其中经理作为成长赞助人尤为关键 3. 个人技能分为沟通力、影响力与领导力、战略思考、执行力四 类，高阶职位需侧重影响力和战略能力 4. 职业决策需避免六大陷阱：追逐虚荣项目、过度专注技能、短期思维、盲目追求名头、陷入舒适区、轻信他人判断 5. 建议采用五步评估法：列出变量、0-2分量化评估、定位根源问题、分析改变能力、权衡时间周期，定期动态调整决策

1. 产品经理的核心职责是通过管理杠杆放大团队产出，而非陷入执行细节，关键在于用最少时间撬动最大结果 2. 愿景和战略是高杠杆工作的基石，愿景明确目的地（如"让人人都能轻松创业"），战略规划实现路径，能有效指导团队自主决策 3. 低杠杆工作包括过度关注执行细节（如修改按钮位置或代码框架），这会限制团队专业能力发挥并导致方向偏离 4. 可用"接下来一小时的工作能否让团队未来一周更顺畅"作为杠杆率判断标准，战略对齐和目标梳理属于高杠杆行为 5. 定期通过团队反馈验证愿景战略传达效果，若成员对方向认知不一致则需优先补足战略沟通短板 产品经理如何运用管理杠杆提升团队效能 管理杠杆概念解析 - 01:18 管理者产出公式：直接管辖部门产出+影响到的相关部门产出，源自安迪·格鲁夫《高产出管理》 - 01:18 管理杠杆指用最少时间撬动最大结果，核心在于区分高杠杆与低杠杆活动 愿景与战略的核心作用 - 03:13 愿景定义目的地（如Shopify"让人人都能轻松创业"），战略明确实现路径 - 04:07 产品经理应聚焦愿景战略而非执行细节，避免陷入"1+1<1"的效能陷阱 - 05:28 明确愿景战略可使团队自主决策（如Shopify团队基于"让商家更高效"自主判断需求价值） 实操方法与案例 - 02:04 采用"愿景-战略-范围-待办事项"框架，避免在错误方向过度投入 - 04:56 区分"关注细节"与"陷入细节"，紧急项目可下场但不能常态化 - 05:28 Shopify案例：产品经理通过清晰愿景战略管理2-3个产品，核心是让团队自驱 杠杆效能评估体系 - 06:17 自查问题："接下来一小时做的事能否让团队未来一周工作更顺畅？" - 06:17 定期调研团队方向清晰度："你做的事如何帮助实现愿景？" 核心结论 - 05:28 管理杠杆本质是让团队在明确方向下自驱运行 - 06:56 产品经理核心价值在于"通过别人拿结果"而非事必躬亲 - 07:13 管理者应成为"方向灯塔"而非"超级执行者" #### 待办事项 - 06:25 团队负责人需组织愿景战略对齐会议，确保方向一致性 问：什么是“管理杠杆”？能否用大白话解释下，并介绍安迪·格鲁夫《高产出管理》中的相关概念？ 答：管理杠杆就是“用最少的时间，撬动最大的结果”。比如同样花1小时，改按钮文案和帮团队明确产品目标，后者的杠杆率更高。格鲁夫在《高产出管理》中提到，“管理者的产出=直接管辖部门的产出+影响到的相关部门的产出”，而管理杠杆就是识别哪些事情能带来更大产出。这本书是管理界的“圣经”，我要求团队新人必读。 问：产品经理如何找到高杠杆事项？写PRD、排优先级算高杠杆吗？ 答：关键在于区分愿景、战略、范围和待办事项。很多PM把精力放在范围和待办事项上，比如排需求、改bug，但愿景和战略才是真正的基石。愿景是“我们要去哪里”，战略是“怎么去”，这两个定好了，团队就能自主判断该做什么。如果基石不稳，排再多待办事项都可能是在错误方向上狂奔。 问：愿景和战略有什么区别？比如“做中国最好的电商平台”算愿景还是战略？ 答：愿景是“目的地”，要简洁、有感染力，比如Shopify的“让人人都能轻松创业”。战略是“路线图”，要结合现实情况，比如先服务谁、先做什么功能。“做中国最好的电商平台”既没说清“最好”的标准，也没说怎么实现，所以既不算愿景也不算战略，只是个模糊目标。 问：PM专注愿景和战略会“不接地气”吗？执行细节不重要吗？ 答：这是把“关注细节”和“陷入细节”搞混了。团队里的工程师、设计师更懂技术和用户体验，如果我天天盯按钮位置或代码框架，就是在抢他们的活，结果就是1+1<1：我没精力管战略，他们没空间发挥。但愿景和战略没讲清楚，方向错了，盯再多细节也是白搭。关键要“抓大放小”：愿景战略必须亲自抓，执行细节信任团队，紧急或高风险时再下场。 问：Shopify的PM为什么能管2-3个产品？他们怎么运用管理杠杆？ 答：Shopify的核心是“用愿景和战略撬动团队”。比如某个团队的愿景是“让商家3分钟内完成店铺搭建”，战略是“简化注册+模板市场+自动化工具”。工程师和设计师都知道要“让商家更高效”，遇到需求冲突时不用等PM拍板，自己能判断。这样PM的精力就可以放在跨团队协调和战略调整上，自然能管更多产品。 问：普通PM如何开始建立管理杠杆？有什么自查方法？ 答：可以问自己：“我接下来一小时做的事，能不能让团队未来一周更顺畅？”如果能，比如梳理战略优先级、对齐目标，就是高杠杆；如果只是完成具体任务，比如写PRD，可能就是低杠杆。另外，每周花半小时问团队：“方向清晰吗？你做的事怎么帮实现愿景？”如果回答不一致，说明愿景战略杠杆没建立，这就是要补的课。 问：产品经理的“管理杠杆”本质是什么？最后有什么总结建议？ 答：本质是“通过别人拿结果”的能力。记住格鲁夫的话：“管理者的产出，是团队产出的总和。”别再当“超级执行者”，要做团队的“方向灯塔”——用愿景和战略让团队自己跑起来，影响力和成就感都会翻倍。

1. Spotify创新的核心在于产品运营模式，即战略制定、方案发现和产品交付三个环节的紧密结合，而非单纯的组织架构。 2. 2014年Spotify面临流媒体音乐同质化竞争，通过用户分析聚焦“被动型听众”需求，战略性地放弃视频业务，集中资源提升推荐算法体验。 3. “每周发现”功能的成功源于风险验证：团队通过内部测试和5%用户灰度实验，验证了价值、可用性、可行性和商业风险，最终获得85%用户高评价。 4. 强大的基础设施支撑了产品规模化，包括持续交付系统、A/B测试平台和实时监控能力，使“每周发现”能快速迭代并支持全球用户。 5. 其他公司可借鉴三点：战略聚焦核心问题、通过小实验验证风险、投资基础设施支持快速试错，同时领导层需赋能团队而非微观管理。 战略聚焦与取舍 - 01:19 Spotify在2014年面临流媒体音乐同质化竞争，通过用户分析将听众分为"主动型"和"被动型"两类，并战略聚焦于提升被动型用户的推荐体验 - 02:04 为集中资源攻克推荐算法，Spotify果断关停视频流媒体项目，将人员调配至推荐团队，体现战略定力 产品发现与风险验证 - 02:45 初期"发现"功能模仿Netflix推荐专辑模式但效果不佳，编辑团队人工制作的"浏览"歌单反而更受欢迎 - 02:45 工程师基于"黑客周"项目"Play It Forward"发现用户对个性化推荐歌单的持续需求，萌生"每周发现"创意 - 03:27 团队系统评估四大风险：价值风险、可用性风险、可行性风险和商业风险，包括技术支撑能力和用户接受度 - 04:05 通过灰度实验先推送给全体员工，再面向5%用户测试，获得85%高评价率和65%"新最爱"发现率的数据验证 产品交付与基础设施 - 04:45 Spotify投入建设持续交付和A/B测试平台，具备实时数据监控和快速问题发现能力 - 04:45 基础设施团队支持系统重构，使"每周发现"从技术不可行变为可支撑全球用户同时更新 - 05:25 "每周发现"上线10周播放量突破10亿次，71%用户将歌曲加入个人歌单 核心结论 - 00:34 Spotify的核心竞争力不在于组织架构，而在于战略聚焦、风险验证和交付能力三者的有机结合 - 06:12 领导力赋能是关键，CEO给予团队明确目标和探索空间，让专业的人做专业的事 可借鉴经验 - 02:04 战略要敢于取舍，聚焦真正能拉开差距的核心问题 - 05:57 通过小实验验证风险，从用户获取真实反馈而非依赖主观判断 - 06:12 建设创新基础设施如A/B测试和持续交付平台，支持快速试错

AI时代的历史意义与机遇探讨 ⾯对 AI 的快速发展，很多⼈感到焦虑。 Marc Andreessen 给出了⼀个乐观的视⻆：AI 不是威胁，⽽是⼈类历史上来得最及时的⼯ 具。在⼈⼝增速放缓、技术停滞多年的背景下，AI 和机器⼈的出现⼏乎是⼀份意外的礼 物。 这篇是 Andreessen 与 Lenny Rachitsky 的对话。他拆解了 PM、⼯程师、设计师之间的分⼯ 困境，提出了⼀个判断：未来的胜出者不是单⼀领域的专才，⽽是能驾驭 AI、同时懂产品 和技术的复合型⼈才。 ⼏个核⼼点： • AI 的本质：把最便宜的东西（沙⼦）转化成最稀缺的东西（思维能⼒）。 • 打破分⼯墙：为什么⼯程师应该学产品和设计，反过来也⼀样。• 乐观的理由：在全球⼈⼝下滑的⼤背景下，AI 可能是唯⼀能维持⽣产⼒的变量。 如果你对未来职业⽅向感到迷茫，这篇值得⼀读。 1. AI技术已进入实用阶段，能够解决医学、科学等硬核问题，并显著提升编程、设计等领域的生产效率，成为应对全球生产力停滞和劳动力短缺的关键工具。 2. AI时代的教育重点应转向培养“超级个体”，即通过AI工具放大个人能力，强调深耕专业领域的同时掌握AI应用，而非单纯担忧就业被替代。 3. 自主性（首创精神）成为AI时代的核心竞争力，教育需平衡规则遵守与主动创新，AI作为杠杆可帮助有自主性的个体实现突破性成果。 4. AI将推动职业结构向跨界复合型人才转变，未来最值钱的是同时懂技术、产品、设计的综合能力者，而非单一技能从业者。 5. 创业模式可能因AI重构，出现由少数“超级程序员”或个体搭配AI机器人支撑高价值公司的形态，公司定义和商业模式面临根本性变革。 AI时代的历史定位与重要性 - 00:28 2025-2026年是AI技术爆发关键期，与公众信任重构、公共讨论空间扩大共同构成历史性转折点，类比1989年柏林墙倒塌事件 - 01:22 AI技术已从"实验性工具"发展为解决医学、科学等硬问题的实用技术，例如推导数学定理、超越人类编程能力 AI被低估的影响层面 - 01:22 技术层面：AI实际应用能力远超预期，Linux之父确认AI编程能力超越人类 - 01:22 经济层面：弥补全球生产力停滞（过去50年美国全要素生产率增长仅为1940-1970年的一半）和人口崩塌（生育率低于2）的双重危机 AI时代的教育变革 - 02:37 教育目标应培养"超级个体"：通过AI杠杆实现能力十倍级提升，而非简单替代人力 - 03:37 强调自主性（首创精神）培养：在规则框架内发展主动创新能力，AI作为实现工具 - 05:10 教育模式向"学校教育+AI助教"混合模式转型，AI提供近似一对一私教体验 AI对就业与经济的影响 - 06:09 AI将推动生产率回归1870-1930年高水平创新期，创造新职业而非单纯替代岗位 - 06:09 劳动力稀缺性增加（因人口减少）与购买力提升（物价下降）将刺激新需求和工作机会 - 06:57 "原子世界"（硬件/基础设施）进步滞后于"比特世界"，需突破官僚主义等现实阻力 职业能力重构与创业机遇 - 07:53 产品经理、工程师、设计师需向"技术+产品+设计"复合型人才转型，AI作为技能补充工具 - 08:52 创业三层面创新：产品重构（AI原生产品）、工作流程（超级程序员模式）、组织形态（个人+AI机器人公司） - 09:50 护城河存在于应用层、专有数据或技术突破，市场选择优于预测 技术发展现状与信息获取 - 10:35 AGI从"平实论"角度已接近实现经济价值任务全覆盖，实体交互待机器人技术突破 - 11:13 信息获取采用杠铃策略：极速反馈（Twitter/Newsletter/播客）+永恒经典（历史经典著作） 核心结论 - 01:22 AI是应对全球生产力停滞和人口危机的关键解决方案，而非就业威胁 - 02:37 AI时代核心竞争力在于培养自主创新能力与AI工具的结合使用 - 06:57 技术发展需突破"原子世界"的现实约束，包括制度壁垒和基础设施滞后 待办事项 - 05:10 探索AI在教育领域的深度应用模式，开发"学校教育+AI助教"混合方案 - 08:52 研究AI原生创业公司的组织形态创新，探索个人+AI机器人的商业模式

会议主题：AI时代GTM策略的结构性变革与系统化增长 1. GTM已从传统销售营销扩展为涵盖市场、销售、客户成功、售前及技术支持的全链条收入职能，需以产品思维设计客户全生命周期流程 2. GTM工程师角色崛起，通过代码和AI实现销售流程自动化，显著提升效率并降低成本，例如用AI代理替代9成人工线索处理工作 3. 企业客户80%采购动机是规避风险而非追求收益，销售需从"避坑"角度切入，量化使用风险比强调产品优势更有效 4. 客户细分需多维评估（规模/增长潜力/商业模式/流量价值），而非简单按企业规模划分，该分类标准需贯穿产品设计和销售策略 5. 销售团队需深度掌握产品技术，通过"10分钟测试"融入工程师群体，既能获得客户信任又能为产品研发提供关键市场反馈 GTM定义与角色演变 - 00:42 GTM涵盖市场、销售、客户成功、售前工程和技术支持等所有接触客户或创造收入的职能，在AI时代角色趋于融合，需从客户全生命周期设计流程 - 01:30 GTM工程师角色崛起，用代码和AI重构销售流程，实现重复工作自动化 GTM工程师职能与应用 - 02:14 GTM工程师用技术能力改造GTM流程，例如Vercel的Rosalind项目通过AI Agent替代人工线索处理，提升效率 - 04:09 10人左右团队可引入GTM工程师，最佳人选为有GTM经验的销售工程师等复合型人才 销售角色转型与AI工具 - 03:13 SDR（销售开发代表）负责线索筛选，AI将取代其重复性工作，使人力转向高价值外呼 - 04:50 Deal Bot机器人实现丢单分析和实时风险提醒，基于客观数据分析提升销售效率 GTM产品化与购买体验设计 - 05:52 将GTM作为产品设计，核心是创造独特购买体验，例如Stripe的白板会议和Vercel的公开数据分析 - 06:53 企业客户80%为规避痛苦买单，销售需从避险角度沟通，例如强调性能不足的潜在损失 客户细分策略 - 07:40 客户分类需多维评估：规模（X轴）、增长潜力（Y轴）、商业模式（Z轴），例如Stripe按用量抽成重视高增长公司 - 07:40 Vercel增加Promote值维度，例如OpenAI因流量全球Top25被视作Enterprise客户 #### 销售团队能力建设 - 08:28 销售需具备产品深度，通过“10分钟测试”融入工程师环境，赢得技术尊重并反馈客户趋势 - 08:28 销售团队作为研发延伸，每周大量客户交互可提炼趋势性需求信号 核心结论 - 01:26 GTM向咨询化和工程化转型，销售需深度理解客户问题并借助技术自动化流程 - 03:32 AI将取代重复性GTM工作，但复杂沟通和方案设计仍需人力，推动角色向高价值转型 - 05:52 GTM需作为产品设计，通过预先提供价值的体验建立信任，差异化竞争 - 07:40 客户细分需多维动态评估，超越传统规模分类，指导资源分配和产品设计 待办事项 - 04:09 团队规模达10人时引入GTM工程师，推动流程标准化和工程化改造

主题：职业规划与技能提升咨询 今天找到我咨询的同学是一名电子信息专业大一同学，很早就开始做转码的规划了，我们来看看同学在准备过程中有哪些需要注意的地方吧 技能提升建议 - 01:09 算法与编程基础需重点加强，建议通过2-3节课补齐SQL和Python题目练习，为技术笔试做准备 - 11:27 需系统性刷算法题（如Hot 100题库），建议每日完成2-3道Python题目，目标在实习前完成50-60题 - 12:31 需补充计算机基础知识（计算机网络、进程线程、系统设计），建议通过网课学习 - 15:37 嵌入式开发方向需额外学习架构相关知识和实战项目基础 项目经验梳理 - 02:02 需深度挖掘1-2个核心项目经历，重点突出个人贡献、创新点及解决问题的能力 - 02:07 项目描述需避免流水账，应聚焦技术亮点和成果，形成结构化表达 - 09:38 若缺乏高质量项目经验，建议通过年后嵌入式软件开发实习积累实战经验 实习与职业规划 - 04:36 行业背景知识（如竞品分析、业务痛点）是高端岗位的加分项，可通过行业导师辅助补充 - 17:16 留学期间可尝试线上实习项目，保持技术经验的持续积累 - 18:05 实习方向应保持连续性，建议2-3段实习围绕同一技术领域（如嵌入式/算法/前后端）以增强竞争力 #### 核心结论 - 02:02 项目经验需要深度提炼而非数量堆砌，需形成有技术亮点的结构化表达 - 13:21 当前重点为夯实算法基础与计算机核心知识，为技术笔试和实习做准备 - 18:57 实习方向应保持技术领域一致性以提升秋招竞争力 待办事项 - 07:47 梳理过往项目经历，识别可深度挖掘的技术亮点 - 11:32 启动Python算法题每日练习（2-3题/日） - 15:05 搜索计算机网络与系统设计基础网课并制定学习计划 总结： 1. 需要重点补齐算法刷题和计算机基础知识，这是技术岗位面试的核心门槛 2. 简历项目需要深度挖掘1-2个重点项目，突出个人贡献和技术亮点 3. 实习方向建议保持连续性，三段实习最好围绕同一技术方向积累经验 4. 年后嵌入式实习前需准备Python刷题和计算机基础课程学习 5. 高级岗位需要补充行业背景知识，从公司战略角度展现价值

留学生职业规划咨询与技术岗位选择 今天来找我咨询的是一位毕业于新加坡学校的同学，在前后端与算法的选择，以及区块链和游戏行业的选择上有些疑问，我们来看看主要内容： 1. 区块链行业在国内就业存在监管限制，大部分岗位为线上办公且缺乏系统培训，建议优先考虑互联网大厂或游戏行业等更稳定的技术岗位 2. 前端开发岗位当前市场需求大但可替代性较高，建议优先选择全栈开发、后端或算法方向以增强长期竞争力 3. 算法岗位虽然竞争激烈但发展前景和薪资更高（应届生可达60-80万年薪），建议根据技术基础尝试投递业务相关算法岗位 4. 外企就业需注意美企业务收缩风险，德企法企工作生活平衡较好，但国内岗位以制造业和技术管理类为主 5. 技术岗求职需重点准备算法题库（如LeetCode Hot 100）和八股文，面试通常需完成2-3道算法题且通过率与解题能力直接相关 求职方向与行业选择 - 03:01 学生背景涉及区块链与数字货币相关项目，但个人更关注软件开发与网页前后端技术 - 03:47 区块链行业在国内存在监管限制，岗位多为线上办公且偏好有经验者，作为第一份工作可能不够稳定 - 06:45 学生倾向互联网大厂（美团、字节等）或游戏行业（米哈游、鹰角），但对游戏开发了解有限 - 11:36 外企（尤其美企）受政策影响存在不确定性，德企/法企工作平衡性较好，但岗位多集中于制造业与项目管理方向 技术岗位建议与薪资分析 - 10:49 前端岗位缺口大但可替代性较高，建议优先考虑全栈、后端或算法岗位以增强竞争力 - 14:12 应届硕士技术岗薪资范围约30-50万年薪，SP offer可达更高水平 - 15:59 技术面试需准备LeetCode题型（Hot 100）及八股文，建议使用Python或Java进行刷题训练 - 20:54 算法岗竞争激烈（需顶尖院校博士学历），但业务相关算法岗（如美团外卖、滴滴出行）硕士学历即可申请 能力提升与面试准备 - 17:08 建议系统复习Java/Python语言基础，并通过模拟面试强化算法与八股文应对能力 - 18:07 技术面试需通过2-3道算法题（完成度需超70%），并结合项目经验与沟通能力综合评估 - 20:11 若考虑算法岗需持续学习前沿论文与AI技术，但转型成本较高需谨慎评估 核心结论 - 03:59 区块链行业国内岗位稳定性低，建议优先投递互联网大厂或游戏公司技术岗 - 18:07 技术面试核心考察算法实现能力（LeetCode）与项目经验深度，需针对性准备 - 21:21 算法岗薪资与发展空间更高（可达60-80万年薪），但需匹配较强技术基础与持续学习能力 待办事项 - 06:45 明确求职方向（互联网/游戏/外企）并针对性投递简历 - 15:59 系统刷LeetCode题库（Hot 100）及复习八股文，优先使用Python语言练习 - 17:10 约谈模拟面试课程以强化技术面试应对能力

今天是位港大的同学咨询算法岗位面试如何准备，转码同学如何入门 stella导师本科数学/统计专业，研究生转计算机后斩获百度阿里美团滴滴快手SSP offer,笔面试通过率100%，作为面霸，给同学传授一些准备路径和面试技巧。 1. 面试准备重点应放在简历科研项目的细节深挖，特别是港大LoRA优化项目中的SVD分解原理和数学基础 2. 需要掌握机器学习八股文知识，包括transformer架构、扩散模型原理、微调方法等核心概念 3. 代码能力需达到LeetCode中等难度水平，重点掌握双指针、归并排序等常见算法题型 4. 面试中将深入考察项目细节，包括LoRA工作原理、参数效率优势、推理延迟优化等技术要点 5. 算法岗需要扎实的代码基础和数理背景，建议系统刷题并分类总结常见题型 - 01:30 面试流程通常包含自我介绍、简历深挖、技术问题考察和手撕代码环节 - 02:42 常见技术问题包括：C++与Python性能差异原理、Python调用C++函数机制、进程与线程区别等计算机基础问题 - 05:06 机器学习方向可能考察：Diffusion优化目标、扩散模型加速算法、Transformer架构原理等 项目经验梳理 - 05:51 香港大学科研项目：基于联邦学习的矩阵优化方法，采用SVD分解提升模型精度并保障隐私 - 26:26 腾讯实习项目：银行风险评估体系设计，偏产品导向的流程图和指标体系构建 - 31:20 图像识别项目：对比Bilinear CNN和ResNet在复杂数据集上的性能表现 - 38:40 流行病控制研究：基于神经网络和博弈论的数值仿真方法 - 09:20 简历项目需要深入掌握技术细节，能够清晰阐述算法原理和优化方法 - 45:15 算法岗位面试重点考察编程基础、机器学习理论知识和项目实践经验 - 47:16 代码能力是算法岗位的核心竞争力，需要通过系统性刷题提升 待办事项 - 03:21 复习机器学习八股文题库，掌握100+常见问题 - 22:06 深入准备港大科研项目的SVD分解原理和技术细节 - 47:59 制定LeetCode刷题计划，重点突破medium难度题型

同学Background:1. 面试者就读于约翰霍普金斯大学创新与领导力专业，主修数据科学方向，本科为会计学专业2. 具备财务金融与数据分析基础知识，拥有良好的逻辑思维能力3. 实习期间使用时间序列模型进行趋势预测，成功识别季度长期增长趋势和季节性规律 个人背景介绍 - 00:21 蔡同学就读于约翰霍普金斯大学专注型创新与领导力专业，方向数据科学，本科毕业于深圳大学会计学专业，具备财务金融与数据分析基础知识及逻辑思维能力。 - 00:40 实习中通过时间序列模型进行趋势预测，识别季度长期增长趋势和季节性规律，模型调优后得分提升35%，并撰写报告。 - 01:10 深入研究并撰写ESG评级与风险管理、银行客户流失预测等实战分析论文，提升商业洞察力与问题解决能力。 面试准备讨论 - 01:43 面试官可能针对具体经历提问，如数据分析流程、使用技术（如时间序列方法、预测指标分析）。 - 02:31 技术面试可能涉及时间序列分析的数据类型、促销因素对收入的影响分析，以及模型应用（如二维码模型）。 - 03:23 讨论实习经历真实性，确认为PDA项目（非真实实习），涉及经历美化问题。 核心结论 - 02:44 面试需准备详细技术细节，如数据分析流程、模型应用及影响因素分析。 - 03:23 经历真实性需明确区分真实项目与PDA类项目，避免面试中产生误解。

00:04-02:55 求职者背景了解与当前求职进展 会议开始时，导师首先了解学生的背景情况，学生表明自己为爱丁堡大学人工智能硕士，目前处于秋招阶段，已投递20多家公司并收到两个中小厂的算法岗位面试邀请，意向岗位为大模型开发或应用相关的算法工程师。导师确认学生的技术背景与岗位匹配度较高，并询问其准备情况，学生表示更关注行业动态而非模拟面试。 02:55-10:20 算法岗位行业动态与职业发展分析 导师详细分析了国内算法岗位的市场情况，区分了大厂、中厂和小厂的特点及发展路径：大厂如阿里、腾讯等提供标准化培养体系但分工较细，中小厂则需承担端到端业务利于全面成长；建议职业路径先从大厂积累经验再转向中小厂。薪资方面，顶尖人才计划可达年薪60-70万，普通算法岗位年薪通常在30-50万之间。此外讨论了外企（如微软、Google）的算法岗位需求较高且竞争激烈，多为博士岗位，校招更偏向开发岗，并提及外企近期在亚太区的裁员风险及工作平衡优势。 10:20-17:18 算法岗位面试流程与准备策略 导师系统介绍了算法岗位的面试流程：通过简历筛选后需完成笔试，随后进行三轮技术面试，包括自我介绍、项目深挖、代码手写题及基础八股文考察。代码题难度因公司而异（如字节侧重Hard题），建议刷LeetCode 200-300题；技术问题涵盖Transformer架构、知识图谱算法等基础原理，三面可能涉及行业趋势和职业规划。强调需熟悉简历项目细节，并对前沿技术（如RAG、Agent）保持关注以提升面试表现。 17:18-31:56 项目经历深度梳理与改进建议 导师以学生实习项目为例指导如何结构化表达：需用STAR法则清晰说明项目背景（如阿里巴巴问答系统）、技术方法（Text-to-SQL、零样本学习）、解决的核心问题（实体消歧、关系抽取）及实际效果。针对学生项目中的难点（如别名抽取、模型幻觉），建议补充技术细节（如RNN/LSTM区别、归一化原理）并深入理解所用模型（如KeyBERT、BERT）的底层机制，同时需量化项目指标（如标注效率、幻觉率）。 31:56-46:55 技术细节考察与知识点补充建议 导师针对学生项目中的技术实现提出具体问题，包括零样本学习的应用场景、稀疏检索优于混合检索的原因、RF算法融合排序机制以及模型选型依据（如OpenChat 3.5）。指出学生需加强基础算法（如随机森林、逻辑回归）和常见问题（梯度爆炸解决方案）的理解，并建议系统梳理技术栈，建立知识体系以应对深度提问。 46:55-55:16 面试准备总结与后续行动计划 导师总结学生需优先完善项目表述的逻辑性，确保技术细节准确且深入（如归一化与标准化区别），并对简历所列模型和算法全面复习。建议通过模拟面试强化表达，跟踪行业前沿（如RAG、Agent应用），并明确算法岗位面试以技术考察为主，一般不涉及前后端知识。约定后续课程聚焦面试复盘与查漏补缺。