人工智能与机器学习 (AI/ML) 知识图谱

这是根据您的云端 Memory 动态生成的系统级技能树。通过掌握以下知识节点，您将构建起通往 AS / MLE / RS 等职位的坚实桥梁。

获取完整云端知识体系 🚀

MLE

正在扫描 Memory 构建图谱...

图谱演化动态

暂无动态

本地知识库架构指南 (Local Template Modules)

配合上方云端技能树，当您在本地使用 MCP 初始化知识库时，会自动生成以下 6 大核心模块。您可以根据这些模块构建专属的本地知识引擎。点击卡片展开领域专属内容解析。

🏢

目标公司 (Companies)

展开详情

用于整理心仪公司的背景调查、核心业务、技术栈以及往期面经收集。比如可以将 OpenAI 或 Google 的面试风格做专门分类。

■ AI Native 独角兽如 OpenAI, Anthropic。面试侧重极强的底层系统理解与创新能力。

■ 一线大厂核心 AI 组如 Meta (FAIR), Google (DeepMind)。侧重海量数据下的 Infra 优化与规模化 (Scaling)。

■ 传统互联网与自动驾驶侧重具体的业务落地，如推荐系统、广告算法、感知与规控算法。

💼

职位解析 (Roles)

展开详情

展示各个目标职位 (如 AS, MLE, DS) 的 Job Description、能力模型解析以及常考题型分布。

■ MLE (Machine Learning Engineer)侧重工程化落地，模型部署、推理优化 (TensorRT, CUDA) 与 ML System Design。

■ AS (Applied Scientist)侧重业务痛点转化，算法选型与创新，论文阅读与实验设计。

■ AI Engineer新兴岗位，侧重于利用大模型 (LLM/RAG/Agents) 构建应用层，Prompt 工程与 API 深度集成。

■ RS (Research Scientist)侧重底层理论突破，发顶会论文，提出新的模型架构 (如新版 Transformer 变体)。

■ RecSys Engineer (推荐算法工程师)侧重高并发、海量数据的召回与排序系统，深耕 CTR 预估与用户画像。

🎤

面试记录 (Interviews)

展开详情

追踪并记录每一次真实面试的实战复盘。包括面试官背景、遇到的难点问题以及自我改进的反馈总结。

■ 面试复盘模版包含面试官背景、每一轮的问题原题、我当时的回答、以及可改进之处。

■ 录音/转录总结可将面试转录稿直接通过 MCP 喂给 Agent，由 Agent 自动提取总结。

🛠️

核心项目 (Projects)

展开详情

使用 STAR 原则深度剖析您的个人工作项目，整理系统架构 trade-offs，为简历深挖 (Deep Dive) 做好准备。

■ S (Situation)业务背景与核心痛点分析。

■ T (Task)预期的量化目标与指标。

■ A (Action)技术选型权衡 (Trade-offs)，攻克的最大技术难点。

■ R (Result)最终落地的量化收益表现。

■ Deep Dive 预演如果流量大 10 倍，该如何重新设计系统？

📝

简历履历 (Resumes)

展开详情

专门用来追踪和更新您的不同版本简历 (如 General版、算法定制版)，以及平时积累的 Bullet Points 高光素材。

■ 多版本维护针对不同方向 (如偏工程 vs 偏研究) 维护定制版简历。

■ 高光素材库平时日常工作中积攒的 Bullet Points 随时记录，避免写简历时无从下笔。

📚

技术基础 (Tech Fundamentals)

展开详情

包含您的整体知识体系骨架。从数据结构、高并发系统设计到 AI 领域前沿知识 (如 LLM, RAG)，在此沉淀系统化笔记。

■ 数学与基础线性代数，概率论，最优化算法 (梯度下降)。

■ 深度学习CNN, RNN, Transformer 架构细节，Attention 机制。

■ 大模型专项SFT, RLHF, DPO，各类分布式训练机制 (FSDP, DeepSpeed)。