我最近离开了工作多年的传统工程行业,目前在读非全日制应用统计硕士,希望转向 AI 相关工作。 我对强化学习(RL)、游戏 AI Agent,以及 AI Agent 安全等方向比较感兴趣,也通过 Kaggle 项目做了一些初步实践。但总体而言,无论是理论深度、代码能力,还是对行业实际工作的了解,我都觉得自己还没有准备充分。 我现在最大的纠结是:应该尽快进入 AI 行业,通过实际工作建立理解和能力,还是先留出一段时间系统学习,打好基础后再寻找机会? 一方面,AI 发展很快,我担心总想着“准备好了再开始”,反而会错过机会。另一方面,过去的工程师经历让我意识到,实际工作虽然能快速积累经验,但如果缺少时间理解底层原理,很容易长期停留在会使用工具、却没有真正掌握知识的状态。 我刚离职不到一个月,原本打算在12月中旬左右开始找实习,但又担心年底招聘机会减少。 我应该如何安排接下来几个月的学习和求职?又该如何判断自己已经具备进入目标岗位的最低能力,而不是无限期地准备下去?

提问

AI根据立正公开的文章和视频整理,不是他本人回复

不必等“准备好”再投递,也不必先脱产系统学几个月。更合适的做法是边做边投:用一个小型可交付项目补足证据,同时从12月起小批量投递上海实习,用真实反馈校准方向。

先投递,把“准备”变成有反馈的循环

你担心的“一直准备、错过机会”和“只做执行、不沉淀原理”,其实不是二选一。立正署名的文章明确反对“先完全学会,再开始使用”,主张在使用中逐步升级,找一个今天就能交给 AI 的任务先做起来⁠1。同一作者在另一篇里也强调,判断学习潜力要看一个人拿到输入后一周内能否做出可运行的小产出,以及问题有没有变具体⁠2。这两点合起来,指向的是一种“边做边学、用产出检验”的节奏,而不是先闭关几个月。

对你来说,这意味着不必把12月中旬当成“学成了才投”的门槛。可以现在就开始小批量投递,把面试反馈当作能力差距的测量工具。你目前还没投过,最大的信息缺口正是企业到底要什么。

用“最小可交付”判断自己够不够,而不是靠感觉

结合提问者的处境

判断最低能力,可以借立正文章里的思路:给自己一个具体的小任务,要求有可运行的东西、一份过程记录(遇到什么问题、怎么修正)、一次复盘(再做会怎么改)⁠2。如果一周内你能独立完成并讲清楚取舍,说明已进入学习循环;如果卡住,卡点本身就是下一步要补的清单。

针对你的方向,嘉宾董有超给过一个更具体的入门清单:大致了解 Transformer 和 attention 的框架即可,不必自己预训练;重点放在动手实践,比如写一个边界清楚、能自己构造测试集评估的 prompt 项目,试 RAG,尝试搭一到两个能互相调用、有工具调用和记忆的 agent;每天约一个半小时、持续一个月,就能到比较 prepared 的状态⁠3。这是董有超的判断,不是立正本人的。它可作为你设定“够用线”的参照,但不必照搬时长。

落到你的 Kaggle 项目上:把其中一个整理成能打开、能运行、能讲清“AI 哪里错了、你怎么改”的仓库,比再开一个新项目更能证明能力。

选第一份工作:看它是否让你接触真实阻力

结合提问者的处境

立正本人在对话里说过,要找“你能去的地方”,而不是最想去的地方:现在是五十分,就先找六十分的,再往七十分走;直接冲七八十分只是浪费时间⁠4。这句话针对的是求职定位,可以理解为:第一份 AI 工作不必是理想岗位,但要是能让你进入学习循环的岗位。

怎么判断“有成长价值”?可以看它是否给你真实问题、是否允许你看到底层逻辑。面试时可以直接问:实习生做什么、有没有人带、交付物是什么。若岗位只让你跑现成流程、不给理解空间,就接近你担心的“只完成任务”。这部分是我基于上述材料的推演,不是原文结论。

另外,Ethan 在访谈中提到,有真实项目、真实 commit、能说清如何用 AI 完成工作的求职者比例其实很低,把基本动作做扎实就已超过多数人;立正也认同这一判断⁠5。这可以缓解“年底机会少”的焦虑:竞争没有想象中拥挤,关键是你的材料能否被看见。

材料没有涉及上海具体岗位的招聘节奏、年底名额变化,也没有 RL、游戏 Agent、Agent 安全三类岗位的实际要求对比。这些需要你通过投递和岗位描述自行核实。

回到5份原文

如何把现有的 Kaggle 项目整理成一份能讲清取舍的求职材料?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

把 Kaggle 项目整理成求职材料,重点不是列成绩,而是讲清你做了什么取舍、为什么这样选、遇到什么阻力、怎么修正。先补一个能完整讲过程的深度项目,再用这个框架组织表达。

先有真实过程,再谈包装

材料能打动人,前提是你真的做过一个能讲出完整过程的项目:遇到什么问题、试了什么、AI 或方法在哪里出错、你怎么改。框架只负责把已有经历重新组织,不能替代经历本身⁠1。所以整理 Kaggle 项目时,先问自己能否讲清一条完整的“问题—尝试—失败—修正”链;讲不清的部分,就是需要补做或重做的地方,而不是靠措辞掩盖。

取舍要写成可核对的判断

结合提问者的处境

Kaggle 项目天然有大量取舍:选哪个赛题、用什么基线、算力有限时砍掉哪些实验、游戏 Agent 与 Agent 安全两条线怎么分配精力。这些正是招聘方想看的判断力。可以参照一种小任务式呈现:交付一个可运行、可阅读的东西,附一份简短记录说明你怎么做、中间遇到什么问题、AI 犯过什么错、你怎么修正,再加一次“如果重做会怎么改”的复盘⁠2。这种结构比只写排名更能暴露你是否真的动手、是否理解后做了迁移。

用求职材料反推方向选择

结合提问者的处境

你还不确定 RL、游戏 Agent 还是 Agent 安全更适合,Kaggle 项目正好可以当试验场:把两个项目各写成一页“取舍说明”,看哪一个你能讲出更多具体阻力和修正过程,那通常是你更有积累、也更愿意深入的方向。同时把 GitHub 做成有真实 commit、项目能拿出来讲的状态,并认真按岗位描述改申请材料;有招聘方转述称,做到这些基础动作的人比例很低,这可以作为你优先补哪块的参照,而不是保证⁠3。上海实习可以小批量投递,用面试反馈校准项目该往哪个方向加深。

现有材料没有针对 Kaggle 项目的具体整理模板,也没有上海 RL、游戏 Agent 或 Agent 安全岗位的实际招聘要求;上述做法是依据通用项目呈现与求职建议作的推演,需用真实投递反馈检验。

回到3份原文