计算机、人工智能与数据科学

理解需求、设计接口、写代码、测试、代码审查、上线和处理故障。成熟系统中，阅读旧代码、沟通取舍和保证稳定性的时间，往往不低于写新功能。

算法与数据结构、软件设计、数据库和系统基础；能把大问题拆小，并与产品、设计和其他工程师协作。

从完成清晰任务，逐步成长为负责模块、系统架构、性能与跨团队技术决策。

先定义指标和问题，再用 SQL 或代码清洗数据、检查偏差、建立分析或模型，并把结果解释给业务团队。真实数据通常不完整、不一致，也不天然支持结论。

统计、概率、实验设计、数据处理和可视化；Data Scientist 通常还需要更强的建模与编程。

从报表和分析，进入实验、预测模型、数据产品或特定行业决策。

准备数据、选择基线、训练和评估模型，再将模型部署到真实系统并监控漂移、延迟、成本与安全。工作重点不是单次模型分数，而是长期可用性。

线性代数、概率、优化、机器学习，同时具备软件工程和数据工程能力。

从模型实验或应用开发，进入模型平台、核心算法、AI 系统架构或行业模型。

阅读论文、复现实验、提出假设、设计对照、分析失败并形成论文或研究原型。研究结果可能长期不确定，不等同于快速开发一个 AI 应用。

高阶数学、严谨实验、论文阅读与写作；多数核心研究岗位更偏好硕博训练。

本科研究与毕业项目只是入口，之后通常进入研究生训练、实验室或企业研究团队。

建设计算、存储、网络或安全基础设施，监控系统、自动化部署、分析攻击与故障，并在性能、成本、可靠性和合规之间取舍。

操作系统、网络、分布式系统、数据库与安全基础，以及对细节和异常的敏感度。

从运维、平台或安全分析，进入 SRE、云架构、安全工程或基础设施研发。

把技术放进金融、医疗、工程或产品场景：建立模型、设计实验、定义产品边界，并把技术结果转成可以被业务或专业人员使用的决策。

计算基础之外，还需要第二领域知识和沟通能力；量化岗位通常要求更强数学与统计。

先形成一项扎实的计算能力，再通过课程、研究或实习建立行业深度。