刷到这个话题，真的像看到了半年前的自己。那时候我满脑子都是 “想入行 AI”，却连第一步该迈哪只脚都不知道，网上一会说要先学 Python，一会说要啃深度学习花书，一会说没硕士学历别碰 AI，越看越懵，越学越焦虑，踩了半年的坑，走了无数弯路，才终于摸明白，新手入门 AI，最该先做的根本不是背公式、啃代码。我是双非计算机本科，去年秋招看着身边同学都往 AI 方向冲，薪资比普通开发岗高一大截，也动了入行的心思。最开始我跟绝大多数新手一样，陷入了 “全栈学习” 的误区，觉得入门 AI 就得把所有东西都学透。先是翻出了大学的线性代数、概率论课本，啃了半个月，公式背了一堆，却不知道用在哪；然后去网上找 Python 教程，把基础语法、数据结构过了一遍，觉得自己行了，又去啃深度学习花书，看到反向传播、梯度下降就头大；听别人说 Transformer 是 AI 的核心，又去手抄 Transformer 代码，背多头注意力的公式，结果背完了，连个最简单的 AI 对话接口都调不明白。就这么瞎学了 3 个月，我看着自己记了满满一本的公式笔记，却连一个能落地的 AI 小项目都做不出来，投出去的 AI 岗简历，全是已读不回。那时候我特别崩溃，觉得自己不是这块料，甚至想过放弃，觉得 AI 根本不是我们双非本科生能碰的。直到后来跟一个在 AI 公司做开发的学长聊，他一句话点醒了我：“你连自己要入 AI 的哪个门都没搞清楚，瞎学一堆有什么用？AI 不是只有大模型算法岗这一条路，你先想清楚自己要做什么方向，再针对性学东西，比你瞎学半年都有用。”也是那时候我才明白，我之前所有的努力，都是本末倒置。入门 AI 的第一步，从来不是学 Python、啃数学、背公式，而是先搞清楚 AI 行业的赛道划分，选一个适合自己的、能落地的方向，定好清晰的目标，再开始针对性学习。学长给我拆解了 AI 行业的核心赛道，我才知道，原来 AI 不是只有高大上的大模型算法岗，还有对本科生极其友好的 AI 应用开发 / Agent 开发岗、AIGC 多模态开发岗、AI Infra 岗，每个方向的技术要求、入门门槛、学习路径天差地别。比如大模型算法岗，基本要求硕士以上学历，要啃透数学、深度学习、Transformer 全流程，普通本科生根本没机会；而 AI 应用开发岗，只要你有 Python 基础、后端开发能力，懂点 Prompt 工程、RAG、LangChain，就能快速上手，企业 hc 也多，是本科生入行 AI 的最佳路径。想清楚了这些，我才终于停止了无效的全栈学习，定了 AI 应用开发的方向，针对性去学 LangChain、RAG、Prompt 工程这些核心技术，不再去啃那些用不上的数学公式。我做的第一个项目，不是什么高大上的大模型微调，就是一个最简单的本地知识库问答助手，跟着教程一步步跑通，能上传 PDF 文档，用自然语言查询文档里的内容。当我输入问题，AI 准确返回文档里的答案的时候，那种成就感，是我背了半年公式从来没有过的。也是从这个最小的 demo 开始，我慢慢建立了正反馈，一点点优化这个项目，加了多轮对话、分块优化、重排序，把它做成了一个完整的企业知识库项目，写进了简历里。后来靠着这个项目，我拿到了杭州一家 AI 公司的实习 offer，终于入了 AI 的门。现在回头看，我踩过最大的坑，就是入门的时候，连方向都没选好，就盲目地学一堆东西，最后什么都没学透，还把自己的信心磨没了。所以想跟所有想入门 AI 的牛友们说：如果你是零基础、本科生，想入行 AI，第一步绝对不是学 Python、啃数学、背公式，更不是上来就冲最难的算法岗。先花一周时间，搞清楚 AI 行业的各个赛道，每个方向的门槛、要求、发展前景，结合自己的学历、基础、职业目标，选一个适合自己的方向，定好清晰的目标，再开始针对性学习。方向对了，你的努力才会有意义。不然只会像我最开始那样，瞎学半年，最后还是在门外徘徊。

笔试两道 a了一道半，性格测试其实还算认真写了。联想真的不海笔嘛，其实我感觉我的简历可能应该过不了初筛

避雷 1.面试时说三个月转正，转正名额1:1，实际上四五个月才有转正答辩，答辩完还等了一个月不出转正结果2.年前还说转正没啥问题，年后又变成公司效益不好，绝大多数实习生被以各种各样的方式劝退、开除，甚至还有答辩完走审批流程的因为谈薪被开除3.转正hc收紧但是hr不会主动告诉你，你去问才会跟你说模棱两可的回答且态度语气令人不适

1.测开应具备的素质？• 扎实的测试理论+编码能力，能做自动化与工具开发。• 严谨细心，质量意识强，有风险敏感度。• 良好沟通协调，推动问题闭环。• 持续学习，关注新技术如AI、自动化。2. 项目困难与解决？项目迭代快，接口变动频繁，自动化脚本维护成本高。• 抽取公共方法，框架分层，降低耦合。• 与开发提前同步接口变更，约定规范。• 使用数据驱动+配置化，提升复用性与效率。3. 登录界面测试用例？• 功能：正确/错误账号密码、空值、验证码、锁定、互踢。• 边界：超长字符、特殊字符、弱密码校验。• 安全：SQL注入、XSS、明文、token校验。• 兼容：多浏览器、APP、网络异常。4. 开发认为不是bug/不紧急怎么沟通？• 用需求文档、产品逻辑客观对齐，不主观争执。• 说明用户影响与线上风险，提供日志、截图、复现步骤。• 协商优先级，先录入缺陷，保证问题闭环。5. 测试来不及，如何跟领导沟通延期？• 及时同步风险，不拖延隐瞒。• 说明原因：用例量、阻塞问题、回归范围、环境问题。• 给出方案：1）保主干用例，精简非核心；2）加人/并行测试；3）建议分批上线或延期，降低风险。• 站在业务稳定角度沟通。6. 多线程安全 & 多线程测试？线程安全：• synchronized、Lock、ThreadLocal。• 并发安全集合：ConcurrentHashMap 等。• volatile 保证可见性。多线程测试：• 模拟高并发、重复执行、长时间运行。• 检查：死锁、数据错乱、丢失更新、阻塞。• 加压测试 + 日志分析 + 复现验证。7. 浅拷贝 vs 深拷贝？• 浅拷贝：只复制引用，共用内部对象，修改互相影响。• 深拷贝：复制整个对象链，完全独立，互不影响。• 实现：序列化、递归拷贝、JSON 序列化。8. AI 对测开的机遇与挑战？会用：辅助写用例、造数据、写脚本、查问题、总结。机遇：• 提升用例、脚本、测试数据效率。• 智能缺陷定位、辅助性能/安全测试。挑战：• AI结果需人工校验，不能完全依赖。• 需学习工具、提示词、数据安全合规。