AI求职实录

某大厂面试官：其实你简历上写的这些东西，其实我们都不感兴趣😅。某次反问环节，当我问到面试官“您对这个岗位的应聘者有什么期待？”，他沉默一会，叹了口气，开始了长达十分钟的输出——（以下是省流版）1.大厂看重面试者的潜力，而不只是经历匹配度。所谓“高潜人才”，必须要多进行思考，比如，这个任务的困难是什么，怎么做更好？为什么？大多数面试者问完面试官负责的业务之后就开始提下一个问题，其实你完全可以针对这个业务谈谈自己的理解，“我认为这个任务可以用xx方法去做”“这个业务的痛点是不是xxx？”，哪怕你的说法完全是错误的，面试官也能看到你的态度。2.自我介绍的时候，也要体现对公司的思考。面试之前，去查一...

想写这个很久了，因为自己在开源和实习中也接触过一些 ai 的工程化内容，对这一块也有一些自己的思考，这个路线图说是 AI 应用开发全景路线图，其实我是想写从 maas 平台到 AI infra 的整个模型工程化的全链路的知识，但是笔力有限，第一版应该先聚焦于平台和应用开发。学识尚浅，也欢迎各位牛友一起交流，探讨，完善阅读建议：每个模块开始是我的一点思考和收集的信息，后面就是学习建议和资料（主要是开源项目+文档，视频资源如果有比较不错的也会放上去），有些技术可能没有好的教程，后续会陆陆续续的出文章+ demo 和大家交流一，AI 应用开发到底是什么概述AI 应用开发这个字眼从 gpt 刚开始火的...

接上篇 https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users还缺少了平台和中间件的部分没有和大家交流，这一篇补充一下平台&&中间件和 AI 相关的平台主要就是 Maas 平台和机器学习平台，Maas 平台，大家最熟悉的就是阿里云百炼，用于模型部署，模型微调，并且整合知识库，Agent平台的综合平台AI 中间件主要包括 AgentRuntime，AI 网关 等等资料推荐：首先是平台侧，对于大模型的工程化平台，开源的，我是最推荐 langfuse 的https://github.com/langfuse/langfuselangfuse 是 langsmith 的开源平替，包含可观测，评估，提示词管理，数据集管理等主流功能机器学习平台就比较复杂了，这个主要是各个公司的内部平台，用于算法同学快速迭代的，所以开源的资料比较有限，但我也找到合适的可以学习的https://github.com/kubeflow/kubeflow目前最主流的 MLops 工程包，很多机器学习平台的核心功能都是通过这个的组件编排实现的，通过学习这个，就可以逐步理解机器学习平台的核心功能此外还需要补充，k8s 和云原生相关的技术栈，用于优化模型的部署和调度。此外还要学习 Ray 这个不可或缺的分布式框架https://github.com/ray-project/ray然后是中间件这边AgentRuntime智能体沙箱，用于安全，快速，高效的运行智能体应用，并且和 k8s ，serverless 等相关技术结合，实现毫秒启动和动态扩缩容开源可以看看火山的子项目https://github.com/volcano-sh/agentcubeAI 网关只推荐阿里的开源 AI 网关 HIgresshttps://github.com/alibaba/higressAI网关除了一般网关的功能之外，还要支持，mcp托管，http无缝转mcp，模型路由等等，higress通过一个巧妙的插件系统接入了这些，并且还保留了大流量网关需要的核心功能（这个项目的语义化检索mcp插件是我写的，感兴趣的牛友可以看看）上面的这些，基本就把我认知中设计 AI 的开发岗位都讲的差不多了，其他评测平台和数据 pipline 搭建的，基本都是比较常规的技术栈，不太需要单独讲，比较喜欢鸡架的同学可以冲这些岗位。后面的系列规划：1. 从 0 - 1 实现一个 Agent 框架（教程 + 源码）可以写到简历上面的2. 一些有意思的项目推荐，目前已经想好了两个，后面发一下3. 自己的一些踩坑记录（比如后面暑期继续找垂直实习踩的坑）

此文章不讨论技术深度，不纠结任何底层 旨在给到大家快速找到一段实习的最低要求1.直接学习python，不学java，虽然语言可能在之后不成问题，但是对于初学者，还是直接来python！！！！看到爬虫之前即可2.数据库 作为一名本质上是后端开发的工程师，怎么能不会数据库呢 这里推荐MYSQL 看完基础篇即可3.如何支撑起一个后端服务，这里推荐FastAPI，也是可以直接看黑马的视频4.两板斧Agent，RAG如果学到这里 我认为再写两个项目 就可以去找一段实习 在入职前可以再学学git，当然，这里只是最低要求建议以下的地方做强化后端方面：redis，消息队列的使用 需要会以及下面的一些深挖点5....

面试官问你：agent系统中，工具调用失败怎么办？以及之前可能铺垫了哪些问题，串讲！引入“工具”的过程1.什么是agent，他的组成部分有哪些？2.为什么要引用工具，单纯的大模型不行吗？3.工具给大模型扩展了怎么样的能力？4.了解Function call吗？5.了解MCP吗，说说MCP的组成？6.看来你都了解 说说Function call，MCP，工具之间的区别？7.最近很火的skill，你跟Function call，MCP做过对比吗？8.看来你都做过对比，说说skill有哪些特性吧9.看来你都了解，说说mcp和skill哪个上下文占用比较大10我去这些你都知道，那你知道怎么写好一个工具...

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理

很多同学，在有了一定工程基础之后，想顺应现在的潮流去学习 AI Agent 的开发，但是又苦于没有入手的项目，网上的教程要么又臭又长，要么就是在割韭菜，很难学到真东西。但其实很多开源项目的实现就能让我们学到非常多的东西了，如果让我推荐的话，我一定会推荐 langchain 官方的这个基于 langgraph 的 deepagents项目地址：https://github.com/langchain-ai/deepagents为什么推荐这个项目呢，先来看看这个项目的特点通过文件系统进行智能体记忆，保存上下文，这个也是最近比较火的 skills，openclaw，字节的上下文数据库 openVik...

在当前开源项目极为丰富的背景下，付费资源并不一定意味着最前沿的技术优势，在具体执行层面展示出自己的独特价值，才是简历上最重要的加分项。1. WebMCP — 让网站主动告诉 AI 该怎么操作AI 操作浏览器的方案一直靠"猜"——截图识别、DOM 解析，错误率 15-30%。WebMCP 反过来，让网站自己声明能做什么，AI 直接调用结构化接口，准确率接近 100%。Chrome Canary 已实装。企业内部系统的 WebMCP 适配目前几乎没人做，是明确的蓝海。推荐理由：简历上写的不是"我会用某个框架"，而是"我在标准刚发布时就做了企业适配&...

最近帮几个朋友改过简历，发现大家的简历普遍存在一些问题:技术栈简单罗列，不能友好的引导面试官的提问，并且体系混乱，岗位jd针对性不强项目多而杂或者是少且不精，重点不突出，没有明确的数据指标，或数据指标严重失真项目的选取过于陈旧化，仍然停留在数年前已经几乎人手一份的项目，差异性不足。针对发现的这些问题，我总结了一些针对 AI 应用开发岗的通用思路，分享给大家。一 . 整体结构怎么安排AI 应用岗介于算法和工程之间，简历结构建议：基本信息 → 教育背景→ 实习经历→项目经历 →技术栈 。项目经理往前放，原因很简单——HR 看简历平均 6 秒，先让他看到你经历过什么，有什么突出的差异化能力，建议放 ...

1.问AI项目是企业的嘛，还是自己搞着玩的2.在一次http请求中涉及的协议栈都有哪些3.输入域名会发生什么4.ARP协议介绍5.http常用方法介绍，优缺点6.抓包是什么原理，为什么可以抓包7.介绍CAS8.java的线程池核心参数有哪些，介绍9.你一般会采用什么样的类型的线程池，什么情景会用10.拒绝策略介绍，他们的优缺点11.介绍hashmap的扩容机制12.为什么是翻倍扩容13，为什么翻两倍，三倍，四倍不行嘛14，你提到的方法还有没有代替方案15，什么是token16.token怎么来的，怎么识别token，怎么划分token17.介绍mcp18，不同mcp工具的共同点，为什么叫MCP19.你提到的AI自动审核代码，怎么样自动审核，那些规则审核20.AI审核代码具体流程是什么21.什么样的提示词能使得更加准确的审核代码23.手撕二叉树路径和反问业务，几点上下班大部分都答上来了，太深层的回答一般，感觉春招HC很少，竞争激烈，随缘把

最近在学习Agent项目时，踩了很多坑，也有了很多体会，以下是笔者的一些见解。第一，必须具备完整的工程后端体系很多 AI 项目在实现时只关注 Prompt、工具调用或者 Agent 流程，但却忽略了系统工程本身。然而在企业环境中，AI Agent 本质上仍然是一个应用系统，它需要具备完整的后端架构，包括 API 服务层、数据库设计、会话管理、日志系统、错误处理，完善的兜底机制以及高并发处理能力等。如果一个项目只展示模型能力而忽略系统工程能力，那么在面试官眼里往往会被认为只是一个 Demo，而不是一个可以上线的产品级系统。第二，不能只是简单调用框架，而应该具备真正的 Agent 系统能力现在很多...

最近大厂招 Agent 工程师的岗位非常多，没有入门的朋友可能觉得“Agent不就是调调 API 吗？”Agent 不同于传统的“一问一答”式 AI，它是在对话模型的基础上增加了一个自主循环，能够根据任务目标判断“还需要做什么”，并调用外部工具执行。理想中的Agent，人类一动嘴，LLM跑断腿，在我们还喝茶打哈欠的时候就把活全干完了，但在实际落地中，想做出一个稳定可用的产品，还是有很多难点的。首先是工具的适配。在一个可用的 Agent 系统中，AI 推理只占约 30% 的逻辑，剩下的 70% 都是非AI的工程化适配。Agent 必须能够稳定处理现实世界的接口边界问题，包括 OAuth 授权、Token 自动刷新、API 速率限制以及海量数据的分页处理。同时，工具的 Schema 定义直接影响调用准确率。优秀的 Agent 需要对工具的粒度和描述进行反复调优，确保模型在面对数十个可选工具时，指令遵循依然清晰稳定。其次是多步任务的可靠性管理。在长链条推理中，错误会随步骤指数级叠加。哪怕单步准确率达到 80%，连续执行五步后的综合成功率也会降至约 32.8%。这种概率衰减意味着一个微小的幻觉就能让整个任务偏航。好的 Agent 必须具备严密的状态管理，能够在执行异常时实现自动捕获、重试或逻辑回滚。在执行关键操作前，还需要设计逻辑校验环节，防止单个步骤的偏移导致整体任务崩溃。接着是上下文的信息治理。大模型在处理长周期任务时普遍面临指令丢失的问题，尤其是在频繁的工具调用产生大量冗余数据时，核心约束容易被边缘化，导致 Agent 出现“失忆”现象。优秀的工程实践需要实现动态内存管理，精准识别并保留关键指令和历史摘要，同时剔除无意义的中间日志。通过提高上下文的信息密度，不仅能降低幻觉风险，也能在多模型路由中有效控制 Token 成本。最近开源社区非常火的 OpenClaw就是一个典型的例子。它作为一个拥有极高系统权限的 Agent 框架，可以直接操作文件和执行命令，极大地扩展了 AI 的能力边界。但在实际应用中，它的提示词工程仍有提升空间。由于权限极高，如果提示词无法精准约束模型的行为，很容易在复杂的执行链条中产生误操作甚至安全风险，且频繁触发的记忆压缩和超高的token消耗也被人诟病。这也是目前高权限 Agent 在落地时面临的核心痛点之一。总的来说，Agent 开发的本质是构建一个以模型为核心的高可靠软件系统。调通接口只是基础，真正的护城河在于你如何处理那些繁杂的非 AI 细节，包括工具层的异常处理、上下文的动态压缩以及评估体系的建立。正在找相关工作的同学，可以看看你简历上的Agent项目，有没有针对以上的痛点做了有效改进，面试官会很感兴趣的。

前些天看了 Clawdbot 创始人的采访——这哥们单日提交 1.3k commits，一个月 6600+ 次提交，有的代码自己一句都没看过，非常恐怖。所以在不久的将来，当 AI 已经完全具备写代码的能力，人类程序员的操作空间还能剩多少？最近在实习，做大模型微调，新鲜期过了，发现不过是机械劳动，造数据 → 训模型 → 看 badcase → 然后再造数据，循环往复...这不就是Agent的ReAct范式么? (坏了，我成智能体了) 需求明确的情况下，Claude-3.5/3.6 也完全可以独立完成造数据 pipeline 的开发，偶尔会留下一些语法错误，在两三轮尝试之内也能自己修正过来......这里非要人来完成的环节并不多，只能用人来完成的理由，好像只剩人比较便宜了...？ 但 AI infra、推理加速也在飞速发展，这种相对的便宜，又能持续多久呢？Clawdbot已经火到到处都在讨论，尽管目前在国内的适配有限，(门槛高是一方面，还很重要的一点是比较烧钱...)不过它对人类劳动力的节省是没办法忽视的。目前同事们普遍认为这玩意儿现在只能接入飞书写写文档，但你也知道，“目前”而已。GPT-4 推出的那年或许看上去还有点呆，但短短几年，拥有 skills 和 function call 的大模型已经可以帮你完成打开应用、查看消息、撰写文档这种复合任务——写代码又能比写飞书文档复杂多少呢？不过是接入不同的软件，阅读不同的文本，调用不同的修改命令，底层是一样的，现在 Copilot 已经做得有模有样，更别说 Clawdbot 这种具有自我进化能力的 Agent，只要 token 多，Clawdbot 完全可以给自己装一堆功能，能量超乎你想象。有人说了，我做的项目大着呢，全是屎山代码，我不信 AI 能看完，这说的其实是长上下文问题，我个人不认为是一个无法解决的问题，随着上下文窗口的扩展和长期记忆管理的研究工作不断发展，AI 总能找到方法把你的超长文本压缩成一个一个的小块，然后逐个击破（虽然目前 GPT-5.2 Codex 改我的代码还是会改着改着一片红...）有句话说得好，你怕被 AI 替代，是因为你太像 AI。你的工作流程高度标准化、可预测、可复现——接需求、看文档、查 API、写代码、测试、提交。每一步都有明确的输入输出，每一步都能被拆解成清晰的指令。这种工作方式，恰好是 AI 最擅长的。如果你的价值体现在“把业务逻辑翻译成代码”，那 AI 确实可以做得更快、更稳定、更便宜。它不会写错大小写，不会忘记边界条件，不会因为昨晚没睡好就漏掉一个判断。要想不被替代，就得做那些 AI 做不了的事，比如和产品经理撕逼，解释为什么这个需求做不了；看着三个技术方案，权衡性能、成本、开发周期，最后拍板选一个；跨部门开会，听运营讲了半天业务痛点，翻译成技术语言，还得判断她说的是真需求还是伪需求。这些事情需要判断、需要博弈、需要对人的理解， AI 暂时还做不来。但问题是，这些事情需要多少人来干？以前一个项目可能需要十个程序员，现在有了 AI，也许三个人就够了,剩下那七个人上哪去？......也许他们会转型，在行业找到新位置，也许是去卖炒粉了，说不好。但有一点感觉很明显：AI 在拉高门槛。以前你会写代码就能找到工作，现在得会“用 AI 写代码 + 理解业务 + 做技术决策”。这个组合技能，不是每个人都能凑齐的。工具会进化，但人怎么不被工具定义，可能是我们未来一段时间需要长期思考的问题。

作为天天和算法、研发撕需求的AI产品经理，我虽然不是程序员，但我可能是全公司用AI写代码频率最高的人之一——写SQL取数、写Python脚本处理数据、写伪代码跟研发对齐思路、甚至写简单的自动化工具给自己提效。今天不聊面试题，聊聊我怎么让AI给我写出能跑的代码。一、先说结论：我用AI写代码的频率有多高？每天。作为PM，我日常需要：从Hive里取数分析（写SQL）处理Excel搞不定的数据（写Python脚本）快速验证一个想法是否可行（写Demo级别的代码）甚至写一些自动化脚本，让自己少加班以前这些事得排队等研发哥哥有空，现在？AI就是我的7x24小时专属程序员。 虽然它写的代码不一定完美，但把“...

本文以有java后端基础/python基础如何转向ai开发岗进行讨论分析。 个人bg : 专升本，26届双非硕，硕士转码，25.6 - 26.2 小厂ai应用开发实习，入职前ai相关项目 * 1 ，春招面试时含公司实习项目共计10+ai相关项目(简历体现4个)，ai相关内容学习实习前累计1m左右，深入了解时长等同于实习时长。  重要经历 ：实习期间参与三个ai项目开发，垂直领域涉及金融审核相关业务(涵盖文档、检索、分析、agent等)1. ai应用开发岗是什么？涉及什么？ ai应用开发岗作为新兴岗位，主要分为两部分: 上游任务(偏向于算法) : 模型后训练，微调(SFT,QLora) ,场景定...

21号 一面 把简历项目都问了一遍 然后问了很多八股 但是回答得不太好 大概答出65%一面的算法题是HOT100滑动窗口改编 中等难度吧 很快撕出来了当时面完感觉要挂了 因为八股答得不好 结果过了 然后约二面  我定在27号 期间恶补了很多知识27号 二面 项目挑了重点问 然后问了一些八股 感觉和面试官聊的挺开心，八股答出来90%吧 项目也聊的不错    然后八股深挖了MySQL   问爽了 因为最熟的八股就是MySQL   后续就是几个场景题回答的不是特别好然后出了一个 “基本计算器 III” （要考虑加减乘除还有括号）有思路 但是思路不清晰主要是太久了忘了 然后没完全写出来，大概写出来60%的样子吧 乘法和除法的逻辑没处理好  最后面试官让我谈一下思路 我说了一下 面试就结束了二面结束我感觉还是比较不错的，感觉要过，虽然算法题写的不好，但是八股和项目聊的不错。结果挂了个人感觉是算法题没撕出来挂了可惜的是 “基本计算器 III” 这个题大一学算法的时候研究过 我记得我还在Acwing上面听yxc讲过 感觉还打过卡我清晰的记得我听过这道题的解法，但是我明确的知道我忘记咋做了没事  胜败乃常事 来日再战必胜。

好久之前面的了，今天想起来发一下面经一面问开源1. mcp 网关是怎么做的2. 限流是怎么实现的3. 模型的可观测是怎么实现的，具体有哪些指标4. 这个DSL的序列化是怎么做的5. 多租户是怎么实现的，物理隔离还是逻辑隔离八股1. 分布式理论2. HTTP2和HTTP1的区别实习主要靠打了agent 多轮对话的长期记忆和短期记忆，问的比较深并且延伸问了 KV Cache 的一些知识手撕：手写一个支持多租户的限流器二面八股1. JVM分区2. 垃圾回收算法3. Spring AOP的原理实习这里拷打了很多，但不知道为什么，一直说我们实现的方案不合理agentic rag 工具调用的讨论从记忆到 kvcache，引出了一个场景题，如果多轮对话中a没有命中kvcache缓存，后面的b，c可以命中吗？agent分层架构怎么解决长链路的token溢出的还有一些开源和实习的问题有点忘了手撕 LRU总体感觉二面体验有点差，不过也问出来很多简历上的问题

一、Agent模块（秋招顶流！大厂会轮番追问）为什么做Agent项目？（结合岗位说，比如“想解决XX场景的效率问题，刚好贴合贵司AI落地方向，还能锻炼推理和工程能力”）讲下你的Agent项目？（必追问预警：难点咋解决的？踩过啥坑？落地有啥数据效果？别只说“做了啥”，重点说“解决了啥问题”）演示下Agent项目实现细节？（划重点：别只说“用了LangChain”，面试官要听具体的！比如核心代码逻辑、用的框架版本、部署时卡在哪了，怎么解决的）Agent开发框架咋选？LangChain/LLaMA Index/AutoGPT/Chroma，你为啥选这个？（避坑：别只吹优点，提一嘴框架的小缺点，再说说...

最近半年AI的生产力发展的太快了，以前能干一星期的事，现在1天就能干完，未来的1-3年互联网的大部分岗位都会向AI靠拢目前互联网公司内部基本上每个人都在使用AI，从岗位上已经演变为覆盖研究-工程-应用-产品-运营-数据-测试-管理全链路的庞大生态如果你想从事AI相关岗位，不论你是技术还是非技术岗，都可以按照图片上的岗位去搜索投递