近期正值求職旺季，同時很多互聯網大廠迎來“裁員潮”。作為一名算法工程師，怎樣才能在如此大環境中規劃好自己的職業生涯，從而更好地應對大環境的不穩定性？本文將分享關于算法工程師職業生涯規劃的一些思考和經驗。

今天的介紹會圍繞下面三點展開：

1. 職場中的三個重要階段

2. 算法工程師如何做好規劃

3. 明確路徑，打磨技術

分享嘉賓｜馬迪 騰訊 推薦算法生態方向技術負責人

編輯整理｜王吉東 昆侖數據

出品社區｜DataFun

01

職場中的三個重要階段

關于職業生涯路徑的思考，涉及到一個哲學問題：我從哪里來，要到哪里去？作為一名算法工程師，在職業生涯中一般會面臨以下 3 個階段的挑戰。

1. 挑戰 1：學生到職場的轉變

這是所有職場人的必經之路。在學校里，導師和學生之間關系相對簡單和單純；而在職場中，會遇到很多復雜的、先前沒有接觸過的事情。對此，有如下幾條建議：

① 在正式入職前參加至少一份實習，提前適應職場生活；

② 在職場中要保持好奇心，多和資深人士請教交流，少說多看多做；

③ 在職場中要保持學習力，注重基礎知識和能力的積累，并與職場實際問題結合；

④ 擺正心態，不要嫌棄 dirty work，在小事中也可以積累經驗和 Credit。

2. 挑戰 2：從 Junior 到 Senior 轉變

這也是大部分資深職場人士經歷的成長路徑。以國內大廠為例，騰訊的 Junior 職級大約是 6-9 級，大約對標阿里的 P5-P7，對應 Junior 工程師到 Senior 工程師的成長過程。這個階段正是積累業務本領和技術深度的重要階段。每個人在此階段經歷的時間長短不一，取決于職場機遇、個人狀態和業務成長空間等。對此，有以下幾條建議：

（1）深入了解業務本質

相對于天馬行空的想法和研究，想法“落地”更重要一些。近期互聯網行業的前沿發展方向，包括 Chat-GPT、AIGC 等大模型的出現，都是緊貼用戶需求和相應產品進行技術創新的產物。近期流行的 Chat-GPT，其背后的大語言模型其實很早就出現了，但是由于早期缺乏應用“引爆點”，沒能通過產品進行“落地”，因此一直未能得到大規模的應用。作為一名算法工程師，一定要從產品和業務本質出發，去了解并挖掘算法帶來的價值。

（2）深挖技術

不斷拓展和提升自己的技術能力。以推薦系統為例，需要全棧式了解召回、排序（包括混排和精排）等模型的建模能力，以及 SOTA 模型的優缺點、頂會前沿模型進展等。

（3）T 型人才發展

T 型人才是一個常常被提及的概念，指的是在自己的技術賽道確保技術深度的同時，提高自己的技術延展性。延展性包括兩個方面，一個是業務層面，一個是技術層面。仍然以推薦系統為例，推薦系統方向的算法工程師建議更多地了解 CV 和 NLP 的基本原理，從而更好地賦能相關的業務。

總的來說，Junior 工程師的工作更多地偏向任務的執行，而 Senior 工程師的工作更多地偏向具體的問題思考與解決。例如，某 APP 的 DAU 出現下滑，需要找到下滑的原因并提出解決方法。這是個很大的 topic，可能是由于某個頁面某個場景的轉化率比較低所導致，也可能由其他各種復雜的原因導致，這就是一個 Senior 工程師需要系統考慮的問題。首先通過數據分析定位關鍵問題，進而設定目標、搭建模型、構建評價指標，進而提出解決方案，最終將問題解決。而在這樣的過程中，靠個人往往難以達成目標，需要協調各類外部資源共同完成。

3. 挑戰 3：從員工到 Leader 的轉變

第三個挑戰，可能有些工程師已經經歷過，但是大部分工程師可能尚未經歷，那就是從員工到 Leader 的轉變。這是一個很大的跨越，因為 Leader 需要帶領團隊達成目標，因此責任更加重大。另一方面，如今互聯網公司管理模式逐漸扁平化，因此留給 Leader 的崗位其實并不多。如果有幸成為 Leader，首先要相信自己，大膽帶領團隊達成目標。初做 Leader，往往會面臨一個棘手的問題，就是業務和技術的平衡，這里就涉及到管理的藝術。管理的本質其實離不開三大要素：責、權、錢。“責”代表責任的劃分和界定；“權”代表人員工作的安排；“錢”代表對員工的激勵機制。

從員工到 Leader 的轉變，是個非常有挑戰性的工作，而隨著閱歷的增長，隨著溝通能力的提升，這些能力都會潛移默化地形成。此外，作為 Leader，需要不斷地向外拓展，最大程度地調動其他團隊的資源，而不能只是向內索取甚至壓榨。

以上是算法工程師常常面臨的 3 個階段的挑戰，每個階段都有各自棘手的問題，但同時也都存在相應的解決辦法。作為一名算法工程師，在每一個階段都要有足夠的耐心，沉下心來打磨自己，沉淀自己。

--

02

算法工程師如何做好規劃

算法工程師的職業生涯規劃，有 3 個關鍵點：

① Vision：做規劃之前要看清楚局勢，否則可能會做出不正確的規劃；

② Self Evaluation：做規劃之前要對自己進行一個全面的自我評估，“知己知彼，百戰不殆”，從而選擇適合自己的方向進行規劃；

③ Action：行動起來！規劃得再完善，都不如行動來的實際。

1. Vision

對局勢的把控，需要做到以下幾點：

① 首先要保證看得清，清晰地認清當前的局勢；

② 其次要保證看得全，從更全面的視角審視當前行業的前景；

③ 最后要保證看得遠，這里提到的“遠”不僅指的范圍，也包括時間跨度；只有看到更遠的時間周期，才能更清晰地對未來進行規劃。

（一）國運層面

上圖截取自美國著名風險投資專家雷·達里歐的著作《原則》，書中作者建立了一個模型用來衡量帝國的興衰，上圖中的曲線體現了帝國的興衰指數隨時間的變化。圖中藍色的曲線代表美國的國運，和實際的情況相比是具備比較高的吻合度的：在上世紀 50 年代，美國的國運到達了一個頂點，實現了很多科技的突破；反觀中國（圖中紅色曲線），彼時剛剛實現解放，國家一窮二白，正處于低谷時期；時間軸再往前推進到 1500 年（大約明朝時期），彼時中國是處于全球領先地位的；到了近代，中國的帝國指數一直處于較低的水平；到了 1950 年，中國開啟“狂飆式”飛速發展；直至現在，中國的帝國指數已經逐步逼近美國，而美國則正在走下坡路。

當然，不同專家基于自己的理解會建立不同的模型，也會有不同的理解。同理，在進行行業的 Vision 的時候，也要結合自己的認知與專家的理解，全面、綜合地分析。

（二）移動互聯網行業層面

具體到互聯網層面，尤其是移動互聯網行業層面，可以參考下圖。下圖是來自 QuestMobile 的月活躍用戶規模。

圖中可以看出，在過去的 3 年時間，整個互聯網規模并沒有出現大的增長，每年 DAU 凈增長只有 2000 萬的水平（某款產品的 DAU 過億），因此這樣的增長水平很難支撐起一個 APP 的成長。由此看來，互聯網的用戶規模早已穩定，因此早先利用人口紅利、通過人海戰術獲得收益的方式現在已經行不通了，而整個互聯網行業已經成為一個存量市場，這是一個目前需要認清的現實。

互聯網行業進一步細分成如下賽道：

（1）電商

① 早年拼多多、阿里、京東等電商企業使用人海戰術，利用補貼得到大規模發展；

② 近幾年，用戶增長空間越來越小，人口紅利逐漸消失，因此類似的補貼會越來越少；以雙十一為例，近年電商購物企業已不再追求當天 GMV 成交量，而是更加理性地追求利益的最大化；

③ 近期電商行業唯一的人口紅利可能來自下沉市場，但是增長空間仍然有限；

④ 因此，電商的未來發展方向會偏向于品質化電商，以及垂直電商。

（2）社區

① 社區近年發展迅猛；以小紅書為例，小紅書的社區氛圍非常好：用戶不斷被小紅書的內容“種草”，形成心智；隨后用戶會主動參與相關話題討論，并產生共鳴，進而形成收益轉化；

② 社區是個正在發展中的賽道，比較看好未來的發展；對于一些小眾的垂直社區，雖然規模不大，但是質量很高；

③ 社區的發展靠的不是人口紅利，更多是靠滲透而非瘋狂增長，因此是個可被看好的發展方向。

（3）游戲

① 游戲賽道的前景是比較看好的，除了國內的游戲業務持續增長，游戲賽道還有一大藍海在于海外的業務，國內很多游戲運營經驗可以移植到海外，這也是騰訊近來的一個業務方向；

② 總體來看，游戲賽道不受互聯網人口紅利的影響，同時又有廣闊的海外發展空間，是個比較看好的賽道。

（4）社交網絡

① 微信的用戶規模已經接近國內網民和人口的數量，這是個非常大的規模；

② 社交網絡的護城河很深，用戶很難從原有社交平臺輕易遷移到另一社交平臺，因為牽扯代價很高，這也是字節跳動多次嘗試社交網絡業務卻始終未能成功的一個原因；

③ 雖然社交網絡在一定程度上會受到人口紅利的影響，但是由于其壁壘高，因此未來很大概率會維持穩定現狀，即以微信為核心，逐步形成基于微信生態的各類延展；

④ 社交網絡涉及的算法主要是基于圖和社區傳播的方法，這類方法對于小規模的社交網絡帶來的價值非常有限，只有對于微信這種體量下的社交網絡，才會發揮出圖模型、社交網絡傳播鏈、社團發現這類算法相應的價值；

⑤ 綜上所述，社交網絡相對發展會比較穩，短期內很難有太大的機遇。

（5）資訊平臺

① 資訊平臺近期同樣在走下坡路，用戶在一定程度上對資訊平臺確實有所依賴，但是依賴的程度并不強烈；

② 近兩年，資訊平臺受到短視頻的沖擊很大，被短視頻搶占了很多的用戶市場；

③ 在這樣的背景下，資訊平臺將會回歸其本質，即分發資訊信息，滿足用戶特定領域資訊的需求；

④ 而對于消遣、娛樂、kill-time 以及其他長尾信息，用戶一般會通過短視頻平臺獲取，這樣給資訊平臺帶來了更大的挑戰；

⑤ 由于資訊平臺的介質復雜，規則繁多，監管力度嚴格，用戶眾口難調，再加上外界短視頻領域的沖擊，使得資訊平臺的難度“更上一層樓”；

⑥ 此外，資訊平臺也比較依靠人口紅利，如今人口紅利趨于飽和，進一步限制了資訊平臺的發展；

⑦ 綜上所述，資訊平臺賽道的選擇要謹慎。

（6）短視頻

① 近期短視頻的發展如日中天，用戶時長最長、用戶行為最豐富、用戶的正負反饋最密集的產品形態最頻繁；

② 短視頻賽道的數據類型豐富，用戶量極大，因此數據潛在價值高，未來發展空間大；

③ 近期短視頻廣告乃至直播帶貨日益普遍，這些跡象表明短視頻正在逐步與電商模式相結合，變現潛力巨大；

④ 綜上所述，短視頻是一個機遇很多、潛力很大的賽道。

（三）AI 產業層面

上圖是 AI 技術的生命周期形態隨時間周期的變化趨勢：

① 處于左側曲線爬坡階段的是新興的 AI 技術，技術前景還有待觀察；

② 處于中間曲線低谷階段的是帶有不確定性的 AI 技術，這些技術還需要時間和市場的檢驗，相當一部分 AI 技術會面臨“泡沫破碎”；

③ 處在右側的曲線說明 AI 技術已經突破了“泡沫破碎”，展現并沉淀出來 AI 技術的價值，如果未來幾年內結合更好的用戶需求和產品應用該技術會“東山再起”；

④ 曲線右端是 AI 技術發展最理想的階段，技術產品化持續帶來客觀的增長和收入。

以幾個近期熱門的 AI 方向為例，展開詳細介紹：

（1）AIGC

近期 AIGC 非常流行，例如 Stable Diffusion、Midjourney 等 AI 繪畫工具。Chat-GPT 出現也顛覆了 CV 和 NLP 領域的很多模型，體現出了大模型極強的產品力。很多工程師擔心這類大模型的出現會對算法工程師，甚至對全人類構成威脅，實際上距離“威脅”還有很遠的距離，通用人工智能（AGI）的實現還有很長的路要走，無論是 AI 作畫還是 ChatGPT，算法暫時還不具備邏輯和意識能力。一項技術發展到一定階段，遇到一個好的產品 idea，一定會爆發，因此不管是 AI 作畫還是 ChatGPT，背后都有用戶需求和產品 idea 做支撐。由此帶來的啟示是：技術和業務永不分家，只有充分了解業務，才能將算法技術帶來的價值最大化。

（2）自動駕駛

自動駕駛是個比較看好的方向，其旨在解決一個終極問題：如何實現道路交通流量最優化。自動駕駛分為很多層級的目標，最先要實現的是“單車智能”，目前已經有很多公司做到了令人比較滿意的效果，如特斯拉自動駕駛。在國外，FSD 自動駕駛已經做到比較成熟的階段；而在國內，無論是新銳車企的小鵬，還是獨立第三方平臺百度 Apollo 等第一梯隊的自動駕駛企業的自動駕駛技術也日趨成熟。自動駕駛本身就是個產品，輔助甚至取代人，在一定程度上解放人工，讓人覺得更安全。綜上所述，自動駕駛這一賽道潛力巨大、前景明朗，而且該方向的愿景也很偉大，因此是個值得考慮的方向。

（3）CV/NLP

CV 和 NLP 是傳統深度學習的兩大主流研究方向，可類比于基礎學科中的物理和化學，是很多 AI 模型的基石。CV 解決的是“我看到了什么”，NLP 解決的是“我聽到和說了什么”。如果將 CV 和 NLP 這兩個方向攻克，機器將會更好地學習和理解人類，具備了很多“通感”能力。因此，CV 和 NLP 這兩個方向是常青的，特別是 AI 作畫和 Chat-GPT 產品 idea 的爆發，會反過來促進 CV 和 NLP 領域的發展。綜上所述，CV 和 NLP 是值得持續深耕的兩個方向。

（4）AI for Science（AlphaFold2）

AI 在科學領域的應用，這個方向大家的關注可能會少一些，但是同樣具備不錯的價值和前景。其中一個應用方向是量子計算，利用物理學界的特性解決超級計算的能力；另一個應用方向是蛋白質基因結構預測（AlphaFold2），對新藥研發尤其是癌癥靶向藥的研發具備非常重大的意義。大數據醫療技術，以及 AI 在醫療健康領域的應用，前幾年還更多地還是停留在理論層面，近兩年已經出現了很多的模型成果，初見成效。因此，AI for Science，尤其是醫療領域，未來的愿景還是非常美好的，未來幾十年，人類的壽命很可能因為 AI 技術的突破而得到延長。綜上所述，AI 科學甚至 AI 醫療領域未來的價值是可觀的，只是這部分的研究尚處于初步階段，距離產品化落地的周期相對較長，年輕的算法工程師可以考慮嘗試這類前沿的賽道，占得先機。

（5）推薦系統和計算廣告

推薦系統和計算廣告屬于比較傳統的“搜廣推”賽道，近兩年，暫時沒有實現方法論層面的突破，近年頂會論文更多是針對一些小的問題點進行的突破。搜廣推賽道更多地依賴業務，如果業務層面沒有出現更大地突破，那么算法發展前景也相對比較有限。另一方面，該領域的人才相對比較飽和，競爭也比較激烈，因此謹慎考慮這一賽道。

2. Self Evaluation

除了提升 Vision 層面的理解外，還要充分地做好自我評估。自我評估主要從 3 個維度考慮：

（1）你擅長的是什么？

自己最擅長的點往往并不是自己所判斷的，一般可以參考過往的工作經歷中哪一部分真正得到了其他人的認可。別人印象中的自己和自己眼中的自己可能會不太一樣，而自己擅長的東西一定是來自別人認可的東西。

（2）你的興趣在哪里？（Follow your heart）

找到自己的興趣點是非常重要的。每個人都有自己的迷茫時期，這樣的時期還是更多要 Follow your heart，找到屬于自己內心真正感興趣的領域。

（3）是否能夠給你提供體面的收入?

職場生活其實是個比較單純的自身價值和公司需求進行匹配的過程，公司通過報酬換取個人價值，因此，合理的、足夠體面的收入是非常合理也是非常必要的。但是也不要只關注收入這一個點，工作價值、成長空間等各個方面也要綜合考慮。

--

03

明確路徑，打磨技術

規劃做得再詳盡，最終還是要通過行動來落實。

1. 路徑

行動的第一步是明確自己的行動路徑：

（1）制定一個短期規劃和一個長期規劃

① 如果只有短期規劃而缺乏長期規劃，則計劃達成之后容易陷入迷茫；

② 如果只有長期規劃而缺乏短期規劃，則容易變成空想家，缺乏實踐落地的方式，長期規劃會變得遙不可及；

③ 一定要將短期規劃和長期規劃結合起來作為自己的行動路徑；

④ 短期規劃和長期規劃之間界定的時間點因人而異，一般建議短期計劃以半年為周期，長期計劃以 2-3 年為周期。

（2）換個視角看成長路徑

① 以前文所述的職業生涯挑戰 2（從 Junior 到 Senior）為例，工程師在大廠獲得了職級的提升（例如從阿里 P7 逐步升到 P9），而該職級背后應該具備的能力，是需要工程師內心非常清楚的；

② 成長的本質就是經歷 4 個階段：

a）Troubleshooter - 解決瑣碎的問題：能夠解決足夠瑣碎的問題，才能有能力去解決更大的問題；

b）Problem Solver - 系統性解決一類問題：以某 APP DAU 下滑為例，如果能夠把 DAU 下滑的問題分析路徑拆解清楚并給出相應的解決方案，那么就從 Troubleshooter 階段成長到了 Problem Solver 階段；

c）Growth Hacker - 帶領團隊向正確的方向前進：更進一步，將所有的 DAU 下滑原因分析清楚并一一加以解決，就已經具備了帶領 APP 團隊實現 DAU 增長的能力；

d）Business Pilot - 業務領路人：當成長成為一個業務領路人，就會有足夠的能力和權限去決定資源和方向；

③ 明確自身成長路徑，比明確 P5 或 P8 這樣的職級更具指導意義。

2. 技術

作為算法工程師，過硬的技術是先決條件：

（1）保持技術領先 - （器，術，法，道）

① 強大的工程開發能力：作為一名工程師，開發能力是最基本的能力；

② 扎實的機器學習原理：機器學習的原理具有普適性，會引領一些分析思路，同時機器學習也是深度學習模型以及更大模型的基礎；

③ 頂會和尖端方向跟蹤：雖然學術界頂會的方向和工業界的方向未必同步，但是學術界的尖端方向往往能夠給工業界提供解決思路的啟發；

④ 行業中的“最佳實踐”：每一名工程師都需要在各自行業中積累適用于特定場景的“最佳實踐”，通過積累和沉淀逐步形成寶貴的行業經驗；

（2）保持強大的執行力

所有的計劃，最終都要靠執行力來落地，因此強大的執行力以及自驅力是非常必要的。

3. 心態

其實不僅職場，在很多領域都是如此：將心態調整好，很多事情最終都會迎刃而解。良好的心態主要包括如下幾個部分：

（1）Focus Collaborative

溝通協作要聚焦在少數幾個關鍵問題的解決上，從而減少無意義的會議。

（2）往前走?步

作為算法工程師，一定要往前多走一步。多了解產品和運營團隊的訴求，站在對方的角度考慮問題。要有“補位思維”，和產品、運營等其他合作伙伴協作前進，各自取長補短，最終協作將事情做成。不要排斥甚至對抗產品、運營團隊提出的訴求；也不要因為對方的經驗不夠豐富、考慮不夠周全等原因而忽略對方的一些 idea，從而錯過一個產品落地的機會。

（3）清零心態

面對棘手的問題時，不妨嘗試清零心態，拋棄固有思維模式，重新思考業務的核心。卸下固有包袱，可能就會覺得眼下的問題實際上可能并沒有那么復雜，是可以逐步得到解決的。

（4）保持?顆相對強大的內心

互聯網行業普遍壓力較大，業內競爭非常殘酷，因此要保持一顆強大的心，從容面對困難和挑戰，不要被外界所干擾

4. 平衡重要關系

（1）家庭親子關系

家庭的關系非常重要，“家和萬事興”，多陪伴家人是很重要的事情。

（2）Work-Life Balance

工作只是生活中的一部分，因此還是要更好地平衡工作和生活，做到高效工作、用心生活。

（3）個人興趣

建議每個人都能夠發展一兩樣屬于自己的興趣愛好，讓大腦換一種方式運轉，對狀態的放松是非常有幫助的。

--

04

總結

本文重點講述了 3 個部分：

① 職場三個重要階段所面臨的挑戰。

② 如何做好規劃：Vision，自我評估，行動起來。

③ 明確路徑，打磨技術，積極心態，處理好重要關系。

--

05

問答環節

Q1：如果崗位面臨“35 歲優化”這樣的問題，有必要深耕鉆研嗎？

A1：這個問題就涉及到前文所述的“心態”問題：“不以物喜，不以己悲”。“35 歲問題”其實每個人都會面臨，這個是由環境和市場決定的；而我們決定不了外界，但是能夠決定自己；因此努力做好自己，一切都不會差的。至于是否有必要深耕鉆研，關鍵還是在于自己的職業規劃方向，以及自己深耕鉆研的方向和程度。如果希望走工程師這個發展路徑，那還是有必要在自己的領域持續深耕的，夯實基礎，對未來會很有幫助；此外，還要考慮業務和管理方向的擴展，正如文中所提到的 “T 型人才”。綜上所述，“35 歲是否被優化”這個問題的決定權不在自己，與其焦慮，不如不斷提升個人能力，讓自己在職場中更加積極和主動。

Q2：如何看待大模型的發展給算法工程師帶來的沖擊？

A2：一方面，大語言模型利用足夠量級的訓練數據確實產生奇幻的效果；但是另一方面，大模型的發展其實離不開產品的“包裝”，拋掉產品的“外衣”，其本質還是一個經典的算法模型，只不過參數量級巨大，訓練語料更豐富。大模型的主要優勢還是在于訓練數據更多，并融入了部分強化學習的算法，將數據訓練的每一個細節做到極致。因此，對于算法工程師而言，無需太過焦慮，而是積極看待這些大模型：首先，大模型給整個 AI 算法行業帶來了“提振”，即從資本層面得到市場的廣泛認可；其次，大模型給算法工程師們指明了方向，即將產品、業務和技術結合才能找到出路。至于利用 AI 模型自動寫代碼，可以將其看作生產力的輔助，而不會取代人。

Q3：推薦搜索領域一般人和高手之間最大區別是什么？

A3：任何一項技術，都可以分成器，術，法，道這 4 個 level。一般人可能更多處于器和術這個層面：使用很 fancy 的模型，使用各種 trick 來調參，最終達到較為滿意的效果；而高手往往已經經歷過這兩個層面，發現這兩個層面雖然能解決一部分實際的問題，但是不能解決一些更高層次的問題，這里就涉及到道和法，涉及到更深層次的本質問題。以推薦為例，如何提升用戶滿意度這類問題：因為用戶滿意度的刻畫是相對主觀的，如何將其拆解成若干個客觀的、可量化的指標，這個很考驗算法工程師的功力。舉一個具體例子：CTR 是個常用的指標，在一定程度上可以衡量出用戶的滿意度；但是如果僅僅優化 CTR 這個單一目標，則可能會帶來大量的“標題黨”；因此，需要借助其他指標來平衡這個問題；而指標的選擇，一方面需要經驗的積累，另一方面也需要對業務的深刻理解，這就涉及到法和道這一層面。因此，要理性看待“級別”，回歸本質：我們作為算法工程師，要做的是用工程能力來解決實際的問題從而帶來價值，而不是“炫技”玩模型；能夠高效解決問題，才是對公司最大的價值。

Q4：如果要帶徒弟，您會教他更多關注哪些魔鬼細節？

A4：這個首先要看徒弟的能力水平定位。如果徒弟是應屆生，那其實不能有太多的要求，還是要循序漸進；如果徒弟是個業內資深人士，在行業內已經形成了自己的方法論，如果能夠達成任務目標，則也無需進行太多的額外要求。從團隊管理的角度，由于每個人都有自己的閃光點，同樣也有自己的缺點，因此很難進行統一的要求；作為團隊領導，我會更多關注員工的思考方式、解決問題的思路等，這些方面如果存在不完善、不周全甚至偏差和錯誤，需要第一時間加以指出和糾正。此外，涉及到交付物的規范性，例如上線模型規范、代碼結構規范、代碼注釋完整性這類問題，會進行較為嚴格的要求；其他方面的問題一般不會進行太過嚴苛的要求，也就不會涉及到太多的“魔鬼細節”。

Q5：文中提到搜廣推領域近年來沒有太大的發展，那么未來會有哪些發展方向？

A5：近兩年搜廣推領域并不是沒有發展，而是在技術領域方面沒有出現重大的突破，在細分的方向還是有很多發展的。不過近兩年的發展更多在于業務層面，因為這個領域方向主要是由業務來支撐；因此，如果在業務方面沒有產生革命性的“爆發”，則很難帶動技術產生重大突破。至于未來的發展方向，大的方向上應該不會有全新的、顛覆性的模型框架出現；對于細分的領域和方向還是會有很大的發展空間，主要還是取決于具體的行業，以及行業內的業務方向，可以多關注業內相關的頂會來找答案。

Q6：某工程師在推薦方向有 3 年大廠經驗，切換到哪些方向比較合適？

A6：算法賽道的切換，首先要進行自我評估，對自己的興趣和優勢有個準確、全面的認識，比如自己是更喜歡鉆研模型方法還是更喜歡解決業務問題，比如在 3 年的大廠經驗中有沒有哪個細分方向足夠擅長和精通；此外，還要考慮哪些發展方向天然具有競爭力，比如文中提到的自動駕駛方向就是個有競爭力的方向，未來可期而且接近落地。一般來說，由于推薦算法直接對接業務，因此推薦算法工程師的業務敏感度會比較強，因此轉行到各個方向都很容易成為解決問題的好手。

Q7：目前算法崗位大多是高層次院校的碩博在競爭，普通院校學生如何參與競爭？是否需要更換崗位方向？

A7：大廠可能會對院校和學歷有較高的要求，但是入職參與業務之后，更多的還是依靠個人能力；普通院校學生可以多爭取實習機會，積累更多項目經驗，不用過多在乎學校出身。

Q8：工作太忙沒時間 follow paper 該怎么辦？

A8：選擇少數幾個感興趣的頂會 paper 持續跟蹤；同時多多關注知乎等平臺，以及一些行業技術論壇，會有相關博主幫忙分類整理頂會文章并撰寫摘要，可以多閱讀來找到自己感興趣的方向。時間是擠出來的，每天花半小時到一小時實際研讀 paper 并提煉關鍵技術點，然后定期進行歸納和整理，長此以往就能達到很好的效果。

Q9：如何看待長視頻推薦？

A9：長視頻平臺和短視頻平臺的運行機制有較大不同。長視頻推薦更多還是關注視頻的內容，因此需要算法工程師從業務角度反向思考用戶消費長視頻的痛點；此外，部分單位的做法是將長視頻進行短視頻化，提取長視頻中的高光亮點，通過“碎剪”的方式將長視頻轉化為短視頻，從而用短視頻的思路進行推薦。從產品的角度，可以借助短視頻的思路，通過“長視頻帶短視頻”的方式進行長視頻推薦；具體來說，將長視頻的片花和預告進行剪輯，用來吸引用戶觀看，進而通過產品路徑來引導用戶觀看完整版，最終引導用戶成為會員，提升用戶的 up 值。由此帶來的啟示是，算法工程師還是要回歸到產品和業務的角度實現突破，而不能僅局限于算法角度。

Q10：算法對學歷要求很高嗎？社招是否很看重過往的經歷對口？如果對目前技術方向不感興趣，如何轉型？

A10：如果一個行業足夠內卷，競爭壓力很大，那學歷問題還是無法逃避的；如果學校和學歷不占優勢，則可以通過增加項目經驗的方式來“曲線救國”。社招方面，企業方確實更多看重過往的經驗，希望引入候選人過往的工作經驗來賦能公司眼下的業務；其次也要考察候選人的基礎素質，包括自驅力、學習力、思考方式、coding 能力等。對于職場中轉變方向，可以先考慮在從公司內部轉變方向，給自己爭取到一個嘗試期和過渡期。

Q11：推薦算法已經進入瓶頸期，是否需要向數據底層（如 Hadoop、SQL 等）進行深耕？

A11：從工程化的角度來看，Hadoop、SQL 等確實是數據的底層架構；但是作為算法工程師，更應該從產品和業務方向尋求突破，而不是深耕和優化底層結構。

Q12：老板是研究院出身，缺乏工程化落地經驗，卻又在工作中過分關注細節，并且用競品的優勢進行否定和打壓員工，如何改善這種處境？

A12：其實好的老板應該更多地向外拓展而非向內壓榨。如果不幸遇到這種習慣于向內壓榨的老板，可以反向引導老板向外看看；勤于溝通，了解老板的痛點，做好向上管理工作。此外，如果真的老板不好相處，無法溝通，而工作內容又不擅長、不感興趣，且工作不能帶來滿意的收入甚至影響自己的生活，那么還是建議換一份工作。

Q13：搜廣推和 NLP，未來哪個方向就業更好？

A13：搜廣推更加貼近業務，而 NLP 是個相對基礎的方向。近年來，搜廣推的業務發展已經較為成熟，而 NLP 方向則面臨著一大難題，就是難以實現產品化落地。如果能夠從業務角度找到良好的落地方向，可以嘗試 NLP；否則還是建議搜廣推。總之，搜廣推領域會有現成的業務應用課題，只需要使用算法來“解題”即可；而 NLP 領域相反，原始問題非常簡單，然而答案非常復雜。

Q14：工作期間切換算法方向會有很高門檻嗎？

A14：門檻是有的，具體要看個人基礎和切換方向。例如，如果是搜廣推內部切換，難度相對較小；而如果是 CV/NLP 和搜廣推之間的切換，則難度相對較大。因此，工作期間切換算法方向還是有很大成本的，尤其是社招更加看重過往經驗。不過，如果自身綜合素質較強，學習力、自驅力都很優秀，而公司的業務剛好需要這樣的人才，也會有很多這樣切換方向的機會。如果確定自己要切換方向，則需要選好路徑、做好計劃并持續行動。

Q15：時間序列預測領域的前景如何？是否有哪些熱門方向推薦？

A15：量化交易場景和時間序列預測相關性較高；搜索推薦領域用到時間序列技術的地方不多，可能在用戶行為序列建模方面有所涉及；自動駕駛領域可能也會涉及部分時序預測，如 FSD 的路徑規劃、多幀串聯等場景；視頻領域的很多技術和時間序列有較強的相關性；流量預測、客戶價值預測等場景和時間序列預測相關性較強。

Q16：某算法工程師從業3年，仍然覺得工作吃力，因此想了解算法方向更多是依靠天賦還是后天努力？

A16：首先需要明確“吃力”的關鍵是在于閱讀 paper 還是在于解決業務問題。從業前期難免會有迷茫期、挫敗期和焦慮期，這種情況因人而異，因此很難做出明確的回答，更多的還是在于 Follow your heart，找到自身的興趣和優勢。

Q17：推薦算法與數據挖掘有什么區別？

A17：數據挖掘是更加基礎的技術，推薦算法是更上層的應用；推薦算法中會用到很多數據挖掘的技術。

Q18：從社招角度來看，電商推薦算法方向 3 年工作經驗應該達到什么水平？

A18：3 年經驗一般能夠達到準 senior 水平，對應阿里的 P7，以及騰訊的 9 級水平；進一步發展 2 年，一般可以達到阿里 P8 或騰訊 10 級的水平。

?