职业生涯就像爬金字塔，一级级，越往上人越少。 针对算法工程师来说，如何最快的实现个人发展，有一些特殊的技巧。 例如： 1. 在学校中，如何选择算法课程，如何加强工程实践，如何将算法研究深入。 2. 在公司中，如何选择具体项目，如何将算法项目做的更出色，如何进行晋升答辩。 3. 在沟通中，如何与架构师、产品经理、运营经理、公司领导层沟通，获得足够资源。 4. 在客户面前，如何进行POC，如何说服客户方领导，如何与甲方技术人员配合。 在话题中，将以个人长期在BAT大厂的实际工作经验和咨询者的实际经历结合，给出个性化的指导。

随着2012年大数据的崛起，2016年AI的崛起，越来越多的工程师希望从事算法工作。 原因来自于： 1、算法方向的职业生涯比较长； 2、算法方向的门槛较高，可以形成一定的壁垒，保存竞争力； 3、算法方向更偏向业务领域，可以获得业务收益，属于前台 而传统的 工程师/架构师，偏向于后台方向，和公司业务的关联性稍微小一些，对于很多希望能够延长自己的职业生涯，提高薪酬的从业者而言，转向算法方向会是很多工程师的选择。 但是，从哪里入手？门槛在哪里？数学是否重要？如何补数学知识？如何快速高效的做各种实验？ 算法工作和工程工作的主要差一点在哪里？很多从业者可能还不太清楚。而且半路从事算法工作，知识、经验和背景上的差异要去弥合还是不容易的，很多需要个性化的解决。 这里，我会和大家一对一讨论一下你所从事的业务领域，给出从工程领域到算法领域的一个合适转换路径。

直接面对业务目标，帮助大家分析出当下的核心问题，提高解决问题的办法和能力。 1. 搜索方面的 query解析、排序、召回策略制订和优化方法。 2. 推荐中的召回、排序、打散，性能和业务指标优化。 3. 广告中的出价、算法、客户需求策略等。 4. 用户增长中，用户留存、召回、运营指标的制订和算法优化。

目前本人正在参与多个大模型相关的项目，已经获取了大量的技术经验和商业经验。因此给出该课题拆分和讲解。帮助大家直面大模型方面的技术性选择： 1. 岗位的划分，各种岗位的技能要求； 2. 大模型技术层面目前发展最快的几个方向，也是比较有潜力的几个方向 3. 大模型在应用层面最可能出现的几个方向，其商业背景和商业潜力的介绍和评述（独有，网络中很少） 4. 大模型时代，我们的产业领域和学习领域可能会产生的重大的变化，以及到底什么样的经验可以长期受用不过时。