关于职业生涯路径的思考，涉及到一个哲学问题：我从哪里来，要到哪里去？作为一名算法工程师，在职业生涯中一般会面临以下 3 个阶段的挑战。
这是所有职场人的必经之路。在学校里，导师和学生之间关系相对简单和单纯；而在职场中，会遇到很多复杂的、先前没有接触过的事情。对此，有如下几条建议：
① 在正式入职前参加至少一份实习，提前适应职场生活。
② 在职场中要保持好奇心，多和资深人士请教交流，少说多看多做。
③ 在职场中要保持学习力，注重基础知识和能力的积累，并与职场实际问题结合。
④ 摆正心态，不要嫌弃 dirty work，在小事中也可以积累经验和 Credit。
这也是大部分资深职场人士经历的成长路径。以国内大厂为例，腾讯的 Junior 职级大约是 6-9 级，大约对标阿里的 P5-P7，对应 Junior 工程师到 Senior 工程师的成长过程。这个阶段正是积累业务本领和技术深度的重要阶段。每个人在此阶段经历的时间长短不一，取决于职场机遇、个人状态和业务成长空间等。对此，有以下几条建议：
相对于天马行空的想法和研究，想法“落地”更重要一些。近期互联网行业的前沿发展方向，包括 Chat-GPT、AIGC 等大模型的出现，都是紧贴用户需求和相应产品进行技术创新的产物。近期流行的 Chat-GPT，其背后的大语言模型其实很早就出现了，但是由于早期缺乏应用“引爆点”，没能通过产品进行“落地”，因此一直未能得到大规模的应用。作为一名算法工程师，一定要从产品和业务本质出发，去了解并挖掘算法带来的价值。
不断拓展和提升自己的技术能力。以推荐系统为例，需要全栈式了解召回、排序（包括混排和精排）等模型的建模能力，以及 SOTA 模型的优缺点、顶会前沿模型进展等。
T 型人才是一个常常被提及的概念，指的是在自己的技术赛道确保技术深度的同时，提高自己的技术延展性。延展性包括两个方面，一个是业务层面，一个是技术层面。仍然以推荐系统为例，推荐系统方向的算法工程师建议更多地了解 CV 和 NLP 的基本原理，从而更好地赋能相关的业务。
总的来说，Junior 工程师的工作更多地偏向任务的执行，而 Senior 工程师的工作更多地偏向具体的问题思考与解决。例如，某 APP 的 DAU 出现下滑，需要找到下滑的原因并提出解决方法。这是个很大的 topic，可能是由于某个页面某个场景的转化率比较低所导致，也可能由其他各种复杂的原因导致，这就是一个 Senior 工程师需要系统考虑的问题。首先通过数据分析定位关键问题，进而设定目标、搭建模型、构建评价指标，进而提出解决方案，最终将问题解决。而在这样的过程中，靠个人往往难以达成目标，需要协调各类外部资源共同完成。
第三个挑战，可能有些工程师已经经历过，但是大部分工程师可能尚未经历，那就是从员工到 Leader 的转变。这是一个很大的跨越，因为 Leader 需要带领团队达成目标，因此责任更加重大。另一方面，如今互联网公司管理模式逐渐扁平化，因此留给 Leader 的岗位其实并不多。如果有幸成为 Leader，首先要相信自己，大胆带领团队达成目标。初做 Leader，往往会面临一个棘手的问题，就是业务和技术的平衡，这里就涉及到管理的艺术。管理的本质其实离不开三大要素：责、权、钱。“责”代表责任的划分和界定；“权”代表人员工作的安排；“钱”代表对员工的激励机制。
从员工到 Leader 的转变，是个非常有挑战性的工作，而随着阅历的增长，随着沟通能力的提升，这些能力都会潜移默化地形成。此外，作为 Leader，需要不断地向外拓展，最大程度地调动其他团队的资源，而不能只是向内索取甚至压榨。
以上是算法工程师常常面临的 3 个阶段的挑战，每个阶段都有各自棘手的问题，但同时也都存在相应的解决办法。作为一名算法工程师，在每一个阶段都要有足够的耐心，沉下心来打磨自己，沉淀自己。
算法工程师的职业生涯规划，有 3 个关键点：
① Vision：做规划之前要看清楚局势，否则可能会做出不正确的规划。
② Self Evaluation：做规划之前要对自己进行一个全面的自我评估，“知己知彼，百战不殆”，从而选择适合自己的方向进行规划；
③ Action：行动起来！规划得再完善，都不如行动来的实际。
对局势的把控，需要做到以下几点：
① 首先要保证看得清，清晰地认清当前的局势。
② 其次要保证看得全，从更全面的视角审视当前行业的前景。
③ 最后要保证看得远，这里提到的“远”不仅指的范围，也包括时间跨度；只有看到更远的时间周期，才能更清晰地对未来进行规划。
上图截取自美国著名风险投资专家雷·达里欧的著作《原则》，书中作者建立了一个模型用来衡量帝国的兴衰，上图中的曲线体现了帝国的兴衰指数随时间的变化。图中蓝色的曲线代表美国的国运，和实际的情况相比是具备比较高的吻合度的：在上世纪 50 年代，美国的国运到达了一个顶点，实现了很多科技的突破；反观中国（图中红色曲线），彼时刚刚实现解放，国家一穷二白，正处于低谷时期；时间轴再往前推进到 1500 年（大约明朝时期），彼时中国是处于全球领先地位的；到了近代，中国的帝国指数一直处于较低的水平；到了 1950 年，中国开启“狂飙式”飞速发展；直至现在，中国的帝国指数已经逐步逼近美国，而美国则正在走下坡路。
当然，不同专家基于自己的理解会建立不同的模型，也会有不同的理解。同理，在进行行业的 Vision 的时候，也要结合自己的认知与专家的理解，全面、综合地分析。
具体到互联网层面，尤其是移动互联网行业层面，可以参考下图。下图是来自 QuestMobile 的月活跃用户规模。
图中可以看出，在过去的 3 年时间，整个互联网规模并没有出现大的增长，每年 DAU 净增长只有 2000 万的水平（某款产品的 DAU 过亿），因此这样的增长水平很难支撑起一个 APP 的成长。由此看来，互联网的用户规模早已稳定，因此早先利用人口红利、通过人海战术获得收益的方式现在已经行不通了，而整个互联网行业已经成为一个存量市场，这是一个目前需要认清的现实。
互联网行业进一步细分成如下赛道：
① 早年拼多多、阿里、京东等电商企业使用人海战术，利用补贴得到大规模发展。
② 近几年，用户增长空间越来越小，人口红利逐渐消失，因此类似的补贴会越来越少；以双十一为例，近年电商购物企业已不再追求当天 GMV 成交量，而是更加理性地追求利益的最大化。
③ 近期电商行业唯一的人口红利可能来自下沉市场，但是增长空间仍然有限。
④ 因此，电商的未来发展方向会偏向于品质化电商，以及垂直电商。
① 社区近年发展迅猛；以小红书为例，小红书的社区氛围非常好：用户不断被小红书的内容“种草”，形成心智；随后用户会主动参与相关话题讨论，并产生共鸣，进而形成收益转化。
② 社区是个正在发展中的赛道，比较看好未来的发展；对于一些小众的垂直社区，虽然规模不大，但是质量很高。
③ 社区的发展靠的不是人口红利，更多是靠渗透而非疯狂增长，因此是个可被看好的发展方向。
① 游戏赛道的前景是比较看好的，除了国内的游戏业务持续增长，游戏赛道还有一大蓝海在于海外的业务，国内很多游戏运营经验可以移植到海外，这也是腾讯近来的一个业务方向。
② 总体来看，游戏赛道不受互联网人口红利的影响，同时又有广阔的海外发展空间，是个比较看好的赛道。
① 微信的用户规模已经接近国内网民和人口的数量，这是个非常大的规模。
② 社交网络的护城河很深，用户很难从原有社交平台轻易迁移到另一社交平台，因为牵扯代价很高，这也是字节跳动多次尝试社交网络业务却始终未能成功的一个原因。
③ 虽然社交网络在一定程度上会受到人口红利的影响，但是由于其壁垒高，因此未来很大概率会维持稳定现状，即以微信为核心，逐步形成基于微信生态的各类延展。
④ 社交网络涉及的算法主要是基于图和社区传播的方法，这类方法对于小规模的社交网络带来的价值非常有限，只有对于微信这种体量下的社交网络，才会发挥出图模型、社交网络传播链、社团发现这类算法相应的价值。
⑤ 综上所述，社交网络相对发展会比较稳，短期内很难有太大的机遇。
① 资讯平台近期同样在走下坡路，用户在一定程度上对资讯平台确实有所依赖，但是依赖的程度并不强烈。
② 近两年，资讯平台受到短视频的冲击很大，被短视频抢占了很多的用户市场。
③ 在这样的背景下，资讯平台将会回归其本质，即分发资讯信息，满足用户特定领域资讯的需求。
④ 而对于消遣、娱乐、kill-time 以及其他长尾信息，用户一般会通过短视频平台获取，这样给资讯平台带来了更大的挑战。
⑤ 由于资讯平台的介质复杂，规则繁多，监管力度严格，用户众口难调，再加上外界短视频领域的冲击，使得资讯平台的难度“更上一层楼”。
⑥ 此外，资讯平台也比较依靠人口红利，如今人口红利趋于饱和，进一步限制了资讯平台的发展。
⑦ 综上所述，资讯平台赛道的选择要谨慎。
① 近期短视频的发展如日中天，用户时长最长、用户行为最丰富、用户的正负反馈最密集的产品形态最频繁。
② 短视频赛道的数据类型丰富，用户量极大，因此数据潜在价值高，未来发展空间大。
③ 近期短视频广告乃至直播带货日益普遍，这些迹象表明短视频正在逐步与电商模式相结合，变现潜力巨大。
④ 综上所述，短视频是一个机遇很多、潜力很大的赛道。
上图是 AI 技术的生命周期形态随时间周期的变化趋势：
① 处于左侧曲线爬坡阶段的是新兴的 AI 技术，技术前景还有待观察。
② 处于中间曲线低谷阶段的是带有不确定性的 AI 技术，这些技术还需要时间和市场的检验，相当一部分 AI 技术会面临“泡沫破碎”。
③ 处在右侧的曲线说明 AI 技术已经突破了“泡沫破碎”，展现并沉淀出来 AI 技术的价值，如果未来几年内结合更好的用户需求和产品应用该技术会“东山再起”。
④ 曲线右端是 AI 技术发展最理想的阶段，技术产品化持续带来客观的增长和收入。
以几个近期热门的 AI 方向为例，展开详细介绍：
近期 AIGC 非常流行，例如 Stable Diffusion、Midjourney 等 AI 绘画工具。Chat-GPT 出现也颠覆了 CV 和 NLP 领域的很多模型，体现出了大模型极强的产品力。很多工程师担心这类大模型的出现会对算法工程师，甚至对全人类构成威胁，实际上距离“威胁”还有很远的距离，通用人工智能（AGI）的实现还有很长的路要走，无论是 AI 作画还是 ChatGPT，算法暂时还不具备逻辑和意识能力。一项技术发展到一定阶段，遇到一个好的产品 idea，一定会爆发，因此不管是 AI 作画还是 ChatGPT，背后都有用户需求和产品 idea 做支撑。由此带来的启示是：技术和业务永不分家，只有充分了解业务，才能将算法技术带来的价值最大化。
自动驾驶是个比较看好的方向，其旨在解决一个终极问题：如何实现道路交通流量最优化。自动驾驶分为很多层级的目标，最先要实现的是“单车智能”，目前已经有很多公司做到了令人比较满意的效果，如特斯拉自动驾驶。在国外，FSD 自动驾驶已经做到比较成熟的阶段；而在国内，无论是新锐车企的小鹏，还是独立第三方平台百度 Apollo 等第一梯队的自动驾驶企业的自动驾驶技术也日趋成熟。自动驾驶本身就是个产品，辅助甚至取代人，在一定程度上解放人工，让人觉得更安全。综上所述，自动驾驶这一赛道潜力巨大、前景明朗，而且该方向的愿景也很伟大，因此是个值得考虑的方向。
CV 和 NLP 是传统深度学习的两大主流研究方向，可类比于基础学科中的物理和化学，是很多 AI 模型的基石。CV 解决的是“我看到了什么”，NLP 解决的是“我听到和说了什么”。如果将 CV 和 NLP 这两个方向攻克，机器将会更好地学习和理解人类，具备了很多“通感”能力。因此，CV 和 NLP 这两个方向是常青的，特别是 AI 作画和 Chat-GPT 产品 idea 的爆发，会反过来促进 CV 和 NLP 领域的发展。综上所述，CV 和 NLP 是值得持续深耕的两个方向。
AI 在科学领域的应用，这个方向大家的关注可能会少一些，但是同样具备不错的价值和前景。其中一个应用方向是量子计算，利用物理学界的特性解决超级计算的能力；另一个应用方向是蛋白质基因结构预测（AlphaFold2），对新药研发尤其是癌症靶向药的研发具备非常重大的意义。大数据医疗技术，以及 AI 在医疗健康领域的应用，前几年还更多地还是停留在理论层面，近两年已经出现了很多的模型成果，初见成效。因此，AI for Science，尤其是医疗领域，未来的愿景还是非常美好的，未来几十年，人类的寿命很可能因为 AI 技术的突破而得到延长。综上所述，AI 科学甚至 AI 医疗领域未来的价值是可观的，只是这部分的研究尚处于初步阶段，距离产品化落地的周期相对较长，年轻的算法工程师可以考虑尝试这类前沿的赛道，占得先机。
推荐系统和计算广告属于比较传统的“搜广推”赛道，近两年，暂时没有实现方法论层面的突破，近年顶会论文更多是针对一些小的问题点进行的突破。搜广推赛道更多地依赖业务，如果业务层面没有出现更大地突破，那么算法发展前景也相对比较有限。另一方面，该领域的人才相对比较饱和，竞争也比较激烈，因此谨慎考虑这一赛道。
除了提升 Vision 层面的理解外，还要充分地做好自我评估。自我评估主要从 3 个维度考虑：
自己最擅长的点往往并不是自己所判断的，一般可以参考过往的工作经历中哪一部分真正得到了其他人的认可。别人印象中的自己和自己眼中的自己可能会不太一样，而自己擅长的东西一定是来自别人认可的东西。
找到自己的兴趣点是非常重要的。每个人都有自己的迷茫时期，这样的时期还是更多要 Follow your heart，找到属于自己内心真正感兴趣的领域。
职场生活其实是个比较单纯的自身价值和公司需求进行匹配的过程，公司通过报酬换取个人价值，因此，合理的、足够体面的收入是非常合理也是非常必要的。但是也不要只关注收入这一个点，工作价值、成长空间等各个方面也要综合考虑。
规划做得再详尽，最终还是要通过行动来落实。
行动的第一步是明确自己的行动路径：
① 如果只有短期规划而缺乏长期规划，则计划达成之后容易陷入迷茫。
② 如果只有长期规划而缺乏短期规划，则容易变成空想家，缺乏实践落地的方式，长期规划会变得遥不可及。
③ 一定要将短期规划和长期规划结合起来作为自己的行动路径；。
④ 短期规划和长期规划之间界定的时间点因人而异，一般建议短期计划以半年为周期，长期计划以 2-3 年为周期。
① 以前文所述的职业生涯挑战 2（从 Junior 到 Senior）为例，工程师在大厂获得了职级的提升（例如从阿里 P7 逐步升到 P9），而该职级背后应该具备的能力，是需要工程师内心非常清楚的。
② 成长的本质就是经历 4 个阶段：
a）Troubleshooter - 解决琐碎的问题：能够解决足够琐碎的问题，才能有能力去解决更大的问题。
b）Problem Solver - 系统性解决一类问题：以某 APP DAU 下滑为例，如果能够把 DAU 下滑的问题分析路径拆解清楚并给出相应的解决方案，那么就从 Troubleshooter 阶段成长到了 Problem Solver 阶段。
c）Growth Hacker - 带领团队向正确的方向前进：更进一步，将所有的 DAU 下滑原因分析清楚并一一加以解决，就已经具备了带领 APP 团队实现 DAU 增长的能力。
d）Business Pilot - 业务领路人：当成长成为一个业务领路人，就会有足够的能力和权限去决定资源和方向。
③ 明确自身成长路径，比明确 P5 或 P8 这样的职级更具指导意义。
作为算法工程师，过硬的技术是先决条件：
① 强大的工程开发能力：作为一名工程师，开发能力是最基本的能力。
② 扎实的机器学习原理：机器学习的原理具有普适性，会引领一些分析思路，同时机器学习也是深度学习模型以及更大模型的基础。
③ 顶会和尖端方向跟踪：虽然学术界顶会的方向和工业界的方向未必同步，但是学术界的尖端方向往往能够给工业界提供解决思路的启发。
④ 行业中的“最佳实践”：每一名工程师都需要在各自行业中积累适用于特定场景的“最佳实践”，通过积累和沉淀逐步形成宝贵的行业经验。
所有的计划，最终都要靠执行力来落地，因此强大的执行力以及自驱力是非常必要的。
其实不仅职场，在很多领域都是如此：将心态调整好，很多事情最终都会迎刃而解。良好的心态主要包括如下几个部分：
沟通协作要聚焦在少数几个关键问题的解决上，从而减少无意义的会议。
作为算法工程师，一定要往前多走一步。多了解产品和运营团队的诉求，站在对方的角度考虑问题。要有“补位思维”，和产品、运营等其他合作伙伴协作前进，各自取长补短，最终协作将事情做成。不要排斥甚至对抗产品、运营团队提出的诉求；也不要因为对方的经验不够丰富、考虑不够周全等原因而忽略对方的一些 idea，从而错过一个产品落地的机会。
面对棘手的问题时，不妨尝试清零心态，抛弃固有思维模式，重新思考业务的核心。卸下固有包袱，可能就会觉得眼下的问题实际上可能并没有那么复杂，是可以逐步得到解决的。
互联网行业普遍压力较大，业内竞争非常残酷，因此要保持一颗强大的心，从容面对困难和挑战，不要被外界所干扰
家庭的关系非常重要，“家和万事兴”，多陪伴家人是很重要的事情。
工作只是生活中的一部分，因此还是要更好地平衡工作和生活，做到高效工作、用心生活。
建议每个人都能够发展一两样属于自己的兴趣爱好，让大脑换一种方式运转，对状态的放松是非常有帮助的。
本文重点讲述了 3 个部分：
① 职场三个重要阶段所面临的挑战。
② 如何做好规划：Vision，自我评估，行动起来。
③ 明确路径，打磨技术，积极心态，处理好重要关系。
A1：这个问题就涉及到前文所述的“心态”问题：“不以物喜，不以己悲”。“35 岁问题”其实每个人都会面临，这个是由环境和市场决定的；而我们决定不了外界，但是能够决定自己；因此努力做好自己，一切都不会差的。至于是否有必要深耕钻研，关键还是在于自己的职业规划方向，以及自己深耕钻研的方向和程度。如果希望走工程师这个发展路径，那还是有必要在自己的领域持续深耕的，夯实基础，对未来会很有帮助；此外，还要考虑业务和管理方向的扩展，正如文中所提到的 “T 型人才”。综上所述，“35 岁是否被优化”这个问题的决定权不在自己，与其焦虑，不如不断提升个人能力，让自己在职场中更加积极和主动。
A2：一方面，大语言模型利用足够量级的训练数据确实产生奇幻的效果；但是另一方面，大模型的发展其实离不开产品的“包装”，抛掉产品的“外衣”，其本质还是一个经典的算法模型，只不过参数量级巨大，训练语料更丰富。大模型的主要优势还是在于训练数据更多，并融入了部分强化学习的算法，将数据训练的每一个细节做到极致。因此，对于算法工程师而言，无需太过焦虑，而是积极看待这些大模型：首先，大模型给整个 AI 算法行业带来了“提振”，即从资本层面得到市场的广泛认可；其次，大模型给算法工程师们指明了方向，即将产品、业务和技术结合才能找到出路。至于利用 AI 模型自动写代码，可以将其看作生产力的辅助，而不会取代人。
A3：任何一项技术，都可以分成器，术，法，道这 4 个 level。一般人可能更多处于器和术这个层面：使用很 fancy 的模型，使用各种 trick 来调参，最终达到较为满意的效果；而高手往往已经经历过这两个层面，发现这两个层面虽然能解决一部分实际的问题，但是不能解决一些更高层次的问题，这里就涉及到道和法，涉及到更深层次的本质问题。以推荐为例，如何提升用户满意度这类问题：因为用户满意度的刻画是相对主观的，如何将其拆解成若干个客观的、可量化的指标，这个很考验算法工程师的功力。举一个具体例子：CTR 是个常用的指标，在一定程度上可以衡量出用户的满意度；但是如果仅仅优化 CTR 这个单一目标，则可能会带来大量的“标题党”；因此，需要借助其他指标来平衡这个问题；而指标的选择，一方面需要经验的积累，另一方面也需要对业务的深刻理解，这就涉及到法和道这一层面。因此，要理性看待“级别”，回归本质：我们作为算法工程师，要做的是用工程能力来解决实际的问题从而带来价值，而不是“炫技”玩模型；能够高效解决问题，才是对公司最大的价值。
A4：这个首先要看徒弟的能力水平定位。如果徒弟是应届生，那其实不能有太多的要求，还是要循序渐进；如果徒弟是个业内资深人士，在行业内已经形成了自己的方法论，如果能够达成任务目标，则也无需进行太多的额外要求。从团队管理的角度，由于每个人都有自己的闪光点，同样也有自己的缺点，因此很难进行统一的要求；作为团队领导，我会更多关注员工的思考方式、解决问题的思路等，这些方面如果存在不完善、不周全甚至偏差和错误，需要第一时间加以指出和纠正。此外，涉及到交付物的规范性，例如上线模型规范、代码结构规范、代码注释完整性这类问题，会进行较为严格的要求；其他方面的问题一般不会进行太过严苛的要求，也就不会涉及到太多的“魔鬼细节”。
A5：近两年搜广推领域并不是没有发展，而是在技术领域方面没有出现重大的突破，在细分的方向还是有很多发展的。不过近两年的发展更多在于业务层面，因为这个领域方向主要是由业务来支撑；因此，如果在业务方面没有产生革命性的“爆发”，则很难带动技术产生重大突破。至于未来的发展方向，大的方向上应该不会有全新的、颠覆性的模型框架出现；对于细分的领域和方向还是会有很大的发展空间，主要还是取决于具体的行业，以及行业内的业务方向，可以多关注业内相关的顶会来找答案。
A6：算法赛道的切换，首先要进行自我评估，对自己的兴趣和优势有个准确、全面的认识，比如自己是更喜欢钻研模型方法还是更喜欢解决业务问题，比如在 3 年的大厂经验中有没有哪个细分方向足够擅长和精通；此外，还要考虑哪些发展方向天然具有竞争力，比如文中提到的自动驾驶方向就是个有竞争力的方向，未来可期而且接近落地。一般来说，由于推荐算法直接对接业务，因此推荐算法工程师的业务敏感度会比较强，因此转行到各个方向都很容易成为解决问题的好手。
A7：大厂可能会对院校和学历有较高的要求，但是入职参与业务之后，更多的还是依靠个人能力；普通院校学生可以多争取实习机会，积累更多项目经验，不用过多在乎学校出身。
A8：选择少数几个感兴趣的顶会 paper 持续跟踪；同时多多关注知乎等平台，以及一些行业技术论坛，会有相关博主帮忙分类整理顶会文章并撰写摘要，可以多阅读来找到自己感兴趣的方向。时间是挤出来的，每天花半小时到一小时实际研读 paper 并提炼关键技术点，然后定期进行归纳和整理，长此以往就能达到很好的效果。
A9：长视频平台和短视频平台的运行机制有较大不同。长视频推荐更多还是关注视频的内容，因此需要算法工程师从业务角度反向思考用户消费长视频的痛点；此外，部分单位的做法是将长视频进行短视频化，提取长视频中的高光亮点，通过“碎剪”的方式将长视频转化为短视频，从而用短视频的思路进行推荐。从产品的角度，可以借助短视频的思路，通过“长视频带短视频”的方式进行长视频推荐；具体来说，将长视频的片花和预告进行剪辑，用来吸引用户观看，进而通过产品路径来引导用户观看完整版，最终引导用户成为会员，提升用户的 up 值。由此带来的启示是，算法工程师还是要回归到产品和业务的角度实现突破，而不能仅局限于算法角度。
A10：如果一个行业足够内卷，竞争压力很大，那学历问题还是无法逃避的；如果学校和学历不占优势，则可以通过增加项目经验的方式来“曲线救国”。社招方面，企业方确实更多看重过往的经验，希望引入候选人过往的工作经验来赋能公司眼下的业务；其次也要考察候选人的基础素质，包括自驱力、学习力、思考方式、coding 能力等。对于职场中转变方向，可以先考虑在从公司内部转变方向，给自己争取到一个尝试期和过渡期。
A11：从工程化的角度来看，Hadoop、SQL 等确实是数据的底层架构；但是作为算法工程师，更应该从产品和业务方向寻求突破，而不是深耕和优化底层结构。
A12：其实好的老板应该更多地向外拓展而非向内压榨。如果不幸遇到这种习惯于向内压榨的老板，可以反向引导老板向外看看；勤于沟通，了解老板的痛点，做好向上管理工作。此外，如果真的老板不好相处，无法沟通，而工作内容又不擅长、不感兴趣，且工作不能带来满意的收入甚至影响自己的生活，那么还是建议换一份工作。
A13：搜广推更加贴近业务，而 NLP 是个相对基础的方向。近年来，搜广推的业务发展已经较为成熟，而 NLP 方向则面临着一大难题，就是难以实现产品化落地。如果能够从业务角度找到良好的落地方向，可以尝试 NLP；否则还是建议搜广推。总之，搜广推领域会有现成的业务应用课题，只需要使用算法来“解题”即可；而 NLP 领域相反，原始问题非常简单，然而答案非常复杂。
A14：门槛是有的，具体要看个人基础和切换方向。例如，如果是搜广推内部切换，难度相对较小；而如果是 CV/NLP 和搜广推之间的切换，则难度相对较大。因此，工作期间切换算法方向还是有很大成本的，尤其是社招更加看重过往经验。不过，如果自身综合素质较强，学习力、自驱力都很优秀，而公司的业务刚好需要这样的人才，也会有很多这样切换方向的机会。如果确定自己要切换方向，则需要选好路径、做好计划并持续行动。
A15：量化交易场景和时间序列预测相关性较高；搜索推荐领域用到时间序列技术的地方不多，可能在用户行为序列建模方面有所涉及；自动驾驶领域可能也会涉及部分时序预测，如 FSD 的路径规划、多帧串联等场景；视频领域的很多技术和时间序列有较强的相关性；流量预测、客户价值预测等场景和时间序列预测相关性较强。
A16：首先需要明确“吃力”的关键是在于阅读 paper 还是在于解决业务问题。从业前期难免会有迷茫期、挫败期和焦虑期，这种情况因人而异，因此很难做出明确的回答，更多的还是在于 Follow your heart，找到自身的兴趣和优势。
A17：数据挖掘是更加基础的技术，推荐算法是更上层的应用；推荐算法中会用到很多数据挖掘的技术。
A18：3 年经验一般能够达到准 senior 水平，对应阿里的 P7，以及腾讯的 9 级水平；进一步发展 2 年，一般可以达到阿里 P8 或腾讯 10 级的水平。
以上是互联网大厂迎来'裁员潮”，算法工程师如何挨过职业'寒冬”？的详细内容。更多信息请关注PHP中文网其他相关文章！
