算法工程师

🧭岗位画像

算法工程师是用数据与模型解决业务问题的岗位，核心工作是把机器学习、深度学习、自然语言处理、计算机视觉、推荐与搜索等技术落到真实产品里，让点击率、转化率、识别准确率、生成质量等指标变好。它处在产业链的技术供给端：数据工程师负责把数据管道搭好，算法工程师在干净数据上训练与调优模型，工程团队再把模型封装成可服务的线上接口。与分析岗的区别在于，算法岗要写生产代码、做模型部署，不只是出报告；与后端岗的区别在于，算法岗的产出质量不仅取决于代码，还取决于数据质量、特征、模型结构与实验设计，迭代靠的是 A/B 实验而非确定性逻辑。它是门槛最高、薪酬最高、内卷也最严重的研发方向之一，普遍要求硕士及以上学历。

📅日常工作：这份工作每天具体在干什么

这是判断自己适不适合最关键的依据。

1. 上午先看昨天跑的离线实验报表，对比 baseline 与候选模型的 AUC、GAUC、NDCG，判断这个改动是真实提升还是噪声，噪声大的实验直接重跑
2. 打开论文列表，挑最新的推荐/大模型相关工作精读，把关键 idea 记进实验台账，评估能不能迁移到当前业务场景
3. 清洗与构造特征：写 Spark/Flink 任务处理样本，处理缺失值、异常值、样本穿越，盯特征覆盖率与线上一致性
4. 在 Jupyter/训练平台上改模型结构或损失函数，起一次小规模训练验证是否收敛，收敛曲线不对就查学习率、初始化、梯度爆炸
5. 和产品、运营对齐指标口径，讨论这次优化到底看 CTR、GMV 还是停留时长，避免优化了一个指标却伤了另一个
6. 做离线评测与消融实验，把每个模块的贡献拆出来，写清楚涨点来自数据、特征还是模型，防止自欺欺人
7. 把模型导出、量化、打包成服务，和工程同学一起做模型上线、灰度流量、监控推理延迟与显存占用
8. 盯线上 A/B 实验，看实验组与对照组的分流比例、显著性、是否触发护栏指标（如时长、投诉率）异常
9. 参加论文分享会或组内技术 review，给同事的实验设计提意见，讨论多目标、多任务、冷启动、序列建模等难题
10. 处理线上 badcase：抽样看模型为什么把这条样本判错，是特征缺失、标签噪声还是分布漂移，再决定是补数据还是改模型

🎯核心要求（硬门槛）

• 必须：扎实的数学基础，线性代数、概率统计、微积分、最优化要能用，看得懂公式推导与损失函数设计
• 必须：精通 Python，熟练 NumPy/Pandas，能读懂并改写开源模型代码，理解张量与自动求导机制
• 必须：掌握经典机器学习（LR、GBDT、XGBoost/LightGBM）与深度学习（CNN/RNN/Transformer）原理，能解释每个模块为什么存在
• 必须：至少一个方向的深度积累（推荐系统、搜索广告、NLP、CV、语音、大模型），有完整项目从数据到上线的经验
• 必须：熟悉至少一个深度学习框架（PyTorch 为主，TensorFlow 为辅），会写训练循环、调参、分布式训练
• 必须：具备工程能力，能把模型部署上线，理解推理框架（ONNX、TensorRT、Triton）、量化与显存优化
• 必须：会做离线评测与在线 A/B 实验，懂统计显著性、置信区间、AB 分流与实验护栏
• 加分：有顶会论文（NeurIPS/ICML/ICLR/CVPR/ACL/KDD/RecSys）或 Kaggle、天池等竞赛靠前名次
• 加分：熟悉大模型训练与微调（LoRA、RLHF、DPO）、多模态、向量检索与 RAG 工程
• 加分：有开源项目、Kaggle 金牌、ACM 奖牌或大厂实习转正经历

🧱技术栈地图

📶能力分档：初级 / 中级 / 高级

📈成长路径与薪酬变化

💼面试考什么

• 数学基础：极大似然与贝叶斯、EM 算法推导、梯度下降变体（Adam/AdaGrad）的公式与区别、矩阵分解与 SVD
• 机器学习：LR 与 GBDT 的区别、XGBoost 的推导与工程优化、过拟合与正则化、偏差方差分解、特征重要性
• 深度学习：反向传播手动推导、BatchNorm 原理与训练推理差异、Attention 计算复杂度、Transformer 结构细节
• 推荐系统：粗排精排重排架构、双塔与 DSSM、多目标建模（MMOE/ESMM）、序列建模（DIN/DIEN）、冷启动与多样性
• NLP/大模型：Word2Vec、BERT 预训练任务、RLHF 与 DPO 区别、LoRA 微调原理、RAG 全链路与幻觉治理
• CV：卷积计算量、目标检测（YOLO/Faster R-CNN）、分割、数据增强、模型量化与蒸馏
• 编程题：手写 K-means、AUC 计算、NMS、多头注意力、TopK，以及 LeetCode 中等偏难算法题
• 工程能力：模型如何上线、如何处理线上特征与离线特征不一致、推理延迟优化、模型版本管理
• 项目深挖：数据量多大、baseline 是多少、为什么涨点、上线后是否真的提升、如果重做会怎么改

🗺️从零到能上岸：学习路线

1. 第 1 步：补数学，用《统计学习方法》和 3Blue1Brown 线代/微积分视频打底，把概率统计与最优化系统过一遍
2. 第 2 步：学机器学习，跟吴恩达 CS229 或李航课程，用 scikit-learn 在 Kaggle Titanic、房价预测上跑通全流程
3. 第 3 步：学深度学习，跟吴恩达 Deep Learning Specialization 或李沐《动手学深度学习》，用 PyTorch 手写 MLP、CNN、RNN
4. 第 4 步：选一个方向深入，推荐方向读《深度学习推荐系统》与王喆课程，NLP 方向跟李沐 Transformer 精读，CV 方向学 CS231n
5. 第 5 步：打竞赛积累实战，在天池、Kaggle 上完整打一场比赛，学会特征工程、模型融合与赛后复盘
6. 第 6 步：做完整项目并上线，从数据爬取、清洗、训练到部署成 API 服务，把链路和量化结果写进简历
7. 第 7 步：刷顶会论文与八股，每周精读 2 篇论文，整理常见面试题的原理推导，准备手撕代码
8. 第 8 步：争取大厂实习，算法岗实习转正是最优路径，用真实业务数据做实验、写实验报告
9. 第 9 步：持续输出与迭代，写技术博客、参与开源（如 HuggingFace、PaddlePaddle），保持对 SOTA 的敏感度

🛠️能撑住简历的项目

⚖️真实处境：优势、代价与行业趋势