網際網路大廠迎來“裁員潮”，演算法工程師如何捱過職業“寒冬”？

分享嘉賓｜馬迪 騰訊 推薦演算法生態方向技術負責人

編輯整理｜王吉東 崑崙資料

出品社群｜DataFun

01

職場中的三個重要階段

關於職業生涯路徑的思考，涉及到一個哲學問題：我從哪裡來，要到哪裡去？作為一名演算法工程師，在職業生涯中一般會面臨以下 3 個階段的挑戰。

1. 挑戰 1：學生到職場的轉變

這是所有職場人的必經之路。在學校裡，導師和學生之間關係相對簡單和單純；而在職場中，會遇到很多複雜的、先前沒有接觸過的事情。對此，有如下幾條建議：

① 在正式入職前參加至少一份實習，提前適應職場生活；

② 在職場中要保持好奇心，多和資深人士請教交流，少說多看多做；

③ 在職場中要保持學習力，注重基礎知識和能力的積累，並與職場實際問題結合；

④ 擺正心態，不要嫌棄 dirty work，在小事中也可以積累經驗和 Credit。

2. 挑戰 2：從 Junior 到 Senior 轉變

這也是大部分資深職場人士經歷的成長路徑。以國內大廠為例，騰訊的 Junior 職級大約是 6-9 級，大約對標阿里的 P5-P7，對應 Junior 工程師到 Senior 工程師的成長過程。這個階段正是積累業務本領和技術深度的重要階段。每個人在此階段經歷的時間長短不一，取決於職場機遇、個人狀態和業務成長空間等。對此，有以下幾條建議：

（1）深入瞭解業務本質

相對於天馬行空的想法和研究，想法“落地”更重要一些。近期網際網路行業的前沿發展方向，包括 Chat-GPT、AIGC 等大模型的出現，都是緊貼使用者需求和相應產品進行技術創新的產物。近期流行的 Chat-GPT，其背後的大語言模型其實很早就出現了，但是由於早期缺乏應用“引爆點”，沒能透過產品進行“落地”，因此一直未能得到大規模的應用。作為一名演算法工程師，一定要從產品和業務本質出發，去了解並挖掘演算法帶來的價值。

（2）深挖技術

不斷擴充和提升自己的技術能力。以推薦系統為例，需要全棧式瞭解召回、排序（包括混排和精排）等模型的建模能力，以及 SOTA 模型的優缺點、頂會前沿模型進展等。

（3）T 型人才發展

T 型人才是一個常常被提及的概念，指的是在自己的技術賽道確保技術深度的同時，提高自己的技術延展性。延展性包括兩個方面，一個是業務層面，一個是技術層面。仍然以推薦系統為例，推薦系統方向的演算法工程師建議更多地瞭解 CV 和 NLP 的基本原理，從而更好地賦能相關的業務。

總的來說，Junior 工程師的工作更多地偏向任務的執行，而 Senior 工程師的工作更多地偏向具體的問題思考與解決。例如，某 APP 的 DAU 出現下滑，需要找到下滑的原因並提出解決方法。這是個很大的 topic，可能是由於某個頁面某個場景的轉化率比較低所導致，也可能由其他各種複雜的原因導致，這就是一個 Senior 工程師需要系統考慮的問題。首先透過資料分析定位關鍵問題，進而設定目標、搭建模型、構建評價指標，進而提出解決方案，最終將問題解決。而在這樣的過程中，靠個人往往難以達成目標，需要協調各類外部資源共同完成。

3. 挑戰 3：從員工到 Leader 的轉變

第三個挑戰，可能有些工程師已經經歷過，但是大部分工程師可能尚未經歷，那就是從員工到 Leader 的轉變。這是一個很大的跨越，因為 Leader 需要帶領團隊達成目標，因此責任更加重大。另一方面，如今網際網路公司管理模式逐漸扁平化，因此留給 Leader 的崗位其實並不多。如果有幸成為 Leader，首先要相信自己，大膽帶領團隊達成目標。初做 Leader，往往會面臨一個棘手的問題，就是業務和技術的平衡，這裡就涉及到管理的藝術。管理的本質其實離不開三大要素：責、權、錢。“責”代表責任的劃分和界定；“權”代表人員工作的安排；“錢”代表對員工的激勵機制。

從員工到 Leader 的轉變，是個非常有挑戰性的工作，而隨著閱歷的增長，隨著溝通能力的提升，這些能力都會潛移默化地形成。此外，作為 Leader，需要不斷地向外擴充，最大程度地調動其他團隊的資源，而不能只是向內索取甚至壓榨。

以上是演算法工程師常常面臨的 3 個階段的挑戰，每個階段都有各自棘手的問題，但同時也都存在相應的解決辦法。作為一名演算法工程師，在每一個階段都要有足夠的耐心，沉下心來打磨自己，沉澱自己。

02

演算法工程師如何做好規劃

演算法工程師的職業生涯規劃，有 3 個關鍵點：

① Vision：做規劃之前要看清楚局勢，否則可能會做出不正確的規劃；

② Self Evaluation：做規劃之前要對自己進行一個全面的自我評估，“知己知彼，百戰不殆”，從而選擇適合自己的方向進行規劃；

③ Action：行動起來！規劃得再完善，都不如行動來的實際。

1. Vision

對局勢的把控，需要做到以下幾點：

① 首先要保證看得清，清晰地認清當前的局勢；

② 其次要保證看得全，從更全面的視角審視當前行業的前景；

③ 最後要保證看得遠，這裡提到的“遠”不僅指的範圍，也包括時間跨度；只有看到更遠的時間週期，才能更清晰地對未來進行規劃。

（一）國運層面

上圖擷取自美國著名風險投資專家雷·達里歐的著作《原則》，書中作者建立了一個模型用來衡量帝國的興衰，上圖中的曲線體現了帝國的興衰指數隨時間的變化。圖中藍色的曲線代表美國的國運，和實際的情況相比是具備比較高的吻合度的：在上世紀 50 年代，美國的國運到達了一個頂點，實現了很多科技的突破；反觀中國（圖中紅色曲線），彼時剛剛實現解放，國家一窮二白，正處於低谷時期；時間軸再往前推進到 1500 年（大約明朝時期），彼時中國是處於全球領先地位的；到了近代，中國的帝國指數一直處於較低的水平；到了 1950 年，中國開啟“狂飆式”飛速發展；直至現在，中國的帝國指數已經逐步逼近美國，而美國則正在走下坡路。

當然，不同專家基於自己的理解會建立不同的模型，也會有不同的理解。同理，在進行行業的 Vision 的時候，也要結合自己的認知與專家的理解，全面、綜合地分析。

（二）移動網際網路行業層面

具體到網際網路層面，尤其是移動網際網路行業層面，可以參考下圖。下圖是來自 QuestMobile 的月活躍使用者規模。

圖中可以看出，在過去的 3 年時間，整個網際網路規模並沒有出現大的增長，每年 DAU 淨增長只有 2000 萬的水平（某款產品的 DAU 過億），因此這樣的增長水平很難支撐起一個 APP 的成長。由此看來，網際網路的使用者規模早已穩定，因此早先利用人口紅利、透過人海戰術獲得收益的方式現在已經行不通了，而整個網際網路行業已經成為一個存量市場，這是一個目前需要認清的現實。

網際網路行業進一步細分成如下賽道：

（1）電商

① 早年拼多多、阿里、京東等電商企業使用人海戰術，利用補貼得到大規模發展；

② 近幾年，使用者增長空間越來越小，人口紅利逐漸消失，因此類似的補貼會越來越少；以雙十一為例，近年電商購物企業已不再追求當天 GMV 成交量，而是更加理性地追求利益的最大化；

③ 近期電商行業唯一的人口紅利可能來自下沉市場，但是增長空間仍然有限；

④ 因此，電商的未來發展方向會偏向於品質化電商，以及垂直電商。

（2）社群

① 社群近年發展迅猛；以小紅書為例，小紅書的社群氛圍非常好：使用者不斷被小紅書的內容“種草”，形成心智；隨後使用者會主動參與相關話題討論，併產生共鳴，進而形成收益轉化；

② 社群是個正在發展中的賽道，比較看好未來的發展；對於一些小眾的垂直社群，雖然規模不大，但是質量很高；

③ 社群的發展靠的不是人口紅利，更多是靠滲透而非瘋狂增長，因此是個可被看好的發展方向。

（3）遊戲

① 遊戲賽道的前景是比較看好的，除了國內的遊戲業務持續增長，遊戲賽道還有一大藍海在於海外的業務，國內很多遊戲運營經驗可以移植到海外，這也是騰訊近來的一個業務方向；

② 總體來看，遊戲賽道不受網際網路人口紅利的影響，同時又有廣闊的海外發展空間，是個比較看好的賽道。

（4）社交網路

① 微信的使用者規模已經接近國內網民和人口的數量，這是個非常大的規模；

② 社交網路的護城河很深，使用者很難從原有社交平臺輕易遷移到另一社交平臺，因為牽扯代價很高，這也是位元組跳動多次嘗試社交網路業務卻始終未能成功的一個原因；

③ 雖然社交網路在一定程度上會受到人口紅利的影響，但是由於其壁壘高，因此未來很大機率會維持穩定現狀，即以微信為核心，逐步形成基於微信生態的各類延展；

④ 社交網路涉及的演算法主要是基於圖和社群傳播的方法，這類方法對於小規模的社交網路帶來的價值非常有限，只有對於微信這種體量下的社交網路，才會發揮出圖模型、社交網路傳播鏈、社團發現這類演算法相應的價值；

⑤ 綜上所述，社交網路相對發展會比較穩，短期內很難有太大的機遇。

（5）資訊平臺

① 資訊平臺近期同樣在走下坡路，使用者在一定程度上對資訊平臺確實有所依賴，但是依賴的程度並不強烈；

② 近兩年，資訊平臺受到短影片的衝擊很大，被短影片搶佔了很多的使用者市場；

③ 在這樣的背景下，資訊平臺將會迴歸其本質，即分發資訊資訊，滿足使用者特定領域資訊的需求；

④ 而對於消遣、娛樂、kill-time 以及其他長尾資訊，使用者一般會透過短影片平臺獲取，這樣給資訊平臺帶來了更大的挑戰；

⑤ 由於資訊平臺的介質複雜，規則繁多，監管力度嚴格，使用者眾口難調，再加上外界短影片領域的衝擊，使得資訊平臺的難度“更上一層樓”；

⑥ 此外，資訊平臺也比較依靠人口紅利，如今人口紅利趨於飽和，進一步限制了資訊平臺的發展；

⑦ 綜上所述，資訊平臺賽道的選擇要謹慎。

（6）短影片

① 近期短影片的發展如日中天，使用者時長最長、使用者行為最豐富、使用者的正負反饋最密集的產品形態最頻繁；

② 短影片賽道的資料型別豐富，使用者量極大，因此資料潛在價值高，未來發展空間大；

③ 近期短影片廣告乃至直播帶貨日益普遍，這些跡象表明短影片正在逐步與電商模式相結合，變現潛力巨大；

④ 綜上所述，短影片是一個機遇很多、潛力很大的賽道。

（三）AI 產業層面

上圖是 AI 技術的生命週期形態隨時間週期的變化趨勢：

① 處於左側曲線爬坡階段的是新興的 AI 技術，技術前景還有待觀察；

② 處於中間曲線低谷階段的是帶有不確定性的 AI 技術，這些技術還需要時間和市場的檢驗，相當一部分 AI 技術會面臨“泡沫破碎”；

③ 處在右側的曲線說明 AI 技術已經突破了“泡沫破碎”，展現並沉澱出來 AI 技術的價值，如果未來幾年內結合更好的使用者需求和產品應用該技術會“東山再起”；

④ 曲線右端是 AI 技術發展最理想的階段，技術產品化持續帶來客觀的增長和收入。

以幾個近期熱門的 AI 方向為例，展開詳細介紹：

（1）AIGC

近期 AIGC 非常流行，例如 Stable Diffusion、Midjourney 等 AI 繪畫工具。Chat-GPT 出現也顛覆了 CV 和 NLP 領域的很多模型，體現出了大模型極強的產品力。很多工程師擔心這類大模型的出現會對演算法工程師，甚至對全人類構成威脅，實際上距離“威脅”還有很遠的距離，通用人工智慧（AGI）的實現還有很長的路要走，無論是 AI 作畫還是 ChatGPT，演算法暫時還不具備邏輯和意識能力。一項技術發展到一定階段，遇到一個好的產品 idea，一定會爆發，因此不管是 AI 作畫還是 ChatGPT，背後都有使用者需求和產品 idea 做支撐。由此帶來的啟示是：技術和業務永不分家，只有充分了解業務，才能將演算法技術帶來的價值最大化。

（2）自動駕駛

自動駕駛是個比較看好的方向，其旨在解決一個終極問題：如何實現道路交通流量最最佳化。自動駕駛分為很多層級的目標，最先要實現的是“單車智慧”，目前已經有很多公司做到了令人比較滿意的效果，如特斯拉自動駕駛。在國外，FSD 自動駕駛已經做到比較成熟的階段；而在國內，無論是新銳車企的小鵬，還是獨立第三方平臺百度 Apollo 等第一梯隊的自動駕駛企業的自動駕駛技術也日趨成熟。自動駕駛本身就是個產品，輔助甚至取代人，在一定程度上解放人工，讓人覺得更安全。綜上所述，自動駕駛這一賽道潛力巨大、前景明朗，而且該方向的願景也很偉大，因此是個值得考慮的方向。

（3）CV/NLP

CV 和 NLP 是傳統深度學習的兩大主流研究方向，可類比於基礎學科中的物理和化學，是很多 AI 模型的基石。CV 解決的是“我看到了什麼”，NLP 解決的是“我聽到和說了什麼”。如果將 CV 和 NLP 這兩個方向攻克，機器將會更好地學習和理解人類，具備了很多“通感”能力。因此，CV 和 NLP 這兩個方向是常青的，特別是 AI 作畫和 Chat-GPT 產品 idea 的爆發，會反過來促進 CV 和 NLP 領域的發展。綜上所述，CV 和 NLP 是值得持續深耕的兩個方向。

（4）AI for Science（AlphaFold2）

AI 在科學領域的應用，這個方向大家的關注可能會少一些，但是同樣具備不錯的價值和前景。其中一個應用方向是量子計算，利用物理學界的特性解決超級計算的能力；另一個應用方向是蛋白質基因結構預測（AlphaFold2），對新藥研發尤其是癌症靶向藥的研發具備非常重大的意義。大資料醫療技術，以及 AI 在醫療健康領域的應用，前幾年還更多地還是停留在理論層面，近兩年已經出現了很多的模型成果，初見成效。因此，AI for Science，尤其是醫療領域，未來的願景還是非常美好的，未來幾十年，人類的壽命很可能因為 AI 技術的突破而得到延長。綜上所述，AI 科學甚至 AI 醫療領域未來的價值是可觀的，只是這部分的研究尚處於初步階段，距離產品化落地的週期相對較長，年輕的演算法工程師可以考慮嘗試這類前沿的賽道，佔得先機。

（5）推薦系統和計算廣告

推薦系統和計算廣告屬於比較傳統的“搜廣推”賽道，近兩年，暫時沒有實現方法論層面的突破，近年頂會論文更多是針對一些小的問題點進行的突破。搜廣推賽道更多地依賴業務，如果業務層面沒有出現更大地突破，那麼演算法發展前景也相對比較有限。另一方面，該領域的人才相對比較飽和，競爭也比較激烈，因此謹慎考慮這一賽道。

2. Self Evaluation

除了提升 Vision 層面的理解外，還要充分地做好自我評估。自我評估主要從 3 個維度考慮：

（1）你擅長的是什麼？

自己最擅長的點往往並不是自己所判斷的，一般可以參考過往的工作經歷中哪一部分真正得到了其他人的認可。別人印象中的自己和自己眼中的自己可能會不太一樣，而自己擅長的東西一定是來自別人認可的東西。

（2）你的興趣在哪裡？（Follow your heart）

找到自己的興趣點是非常重要的。每個人都有自己的迷茫時期，這樣的時期還是更多要 Follow your heart，找到屬於自己內心真正感興趣的領域。

（3）是否能夠給你提供體面的收入?

職場生活其實是個比較單純的自身價值和公司需求進行匹配的過程，公司透過報酬換取個人價值，因此，合理的、足夠體面的收入是非常合理也是非常必要的。但是也不要只關注收入這一個點，工作價值、成長空間等各個方面也要綜合考慮。

03

明確路徑，打磨技術

規劃做得再詳盡，最終還是要透過行動來落實。

1. 路徑

行動的第一步是明確自己的行動路徑： 

（1）制定一個短期規劃和一個長期規劃

① 如果只有短期規劃而缺乏長期規劃，則計劃達成之後容易陷入迷茫；

② 如果只有長期規劃而缺乏短期規劃，則容易變成空想家，缺乏實踐落地的方式，長期規劃會變得遙不可及；

③ 一定要將短期規劃和長期規劃結合起來作為自己的行動路徑；

④ 短期規劃和長期規劃之間界定的時間點因人而異，一般建議短期計劃以半年為週期，長期計劃以 2-3 年為週期。

（2）換個視角看成長路徑

① 以前文所述的職業生涯挑戰 2（從 Junior 到 Senior）為例，工程師在大廠獲得了職級的提升（例如從阿里 P7 逐步升到 P9），而該職級背後應該具備的能力，是需要工程師內心非常清楚的；

② 成長的本質就是經歷 4 個階段：

a）Troubleshooter - 解決瑣碎的問題：能夠解決足夠瑣碎的問題，才能有能力去解決更大的問題；

b）Problem Solver - 系統性解決一類問題：以某 APP DAU 下滑為例，如果能夠把 DAU 下滑的問題分析路徑拆解清楚並給出相應的解決方案，那麼就從 Troubleshooter 階段成長到了 Problem Solver 階段；

c）Growth Hacker - 帶領團隊向正確的方向前進：更進一步，將所有的 DAU 下滑原因分析清楚並一一加以解決，就已經具備了帶領 APP 團隊實現 DAU 增長的能力；

d）Business Pilot - 業務領路人：當成長成為一個業務領路人，就會有足夠的能力和許可權去決定資源和方向；

③ 明確自身成長路徑，比明確 P5 或 P8 這樣的職級更具指導意義。

2. 技術

作為演算法工程師，過硬的技術是先決條件：

（1）保持技術領先 - （器，術，法，道）

① 強大的工程開發能力：作為一名工程師，開發能力是最基本的能力；

② 紮實的機器學習原理：機器學習的原理具有普適性，會引領一些分析思路，同時機器學習也是深度學習模型以及更大模型的基礎；

③ 頂會和尖端方向跟蹤：雖然學術界頂會的方向和工業界的方向未必同步，但是學術界的尖端方向往往能夠給工業界提供解決思路的啟發；

④ 行業中的“最佳實踐”：每一名工程師都需要在各自行業中積累適用於特定場景的“最佳實踐”，透過積累和沉澱逐步形成寶貴的行業經驗；

（2）保持強大的執行力

所有的計劃，最終都要靠執行力來落地，因此強大的執行力以及自驅力是非常必要的。

3. 心態

其實不僅職場，在很多領域都是如此：將心態調整好，很多事情最終都會迎刃而解。良好的心態主要包括如下幾個部分：

（1）Focus Collaborative

溝通協作要聚焦在少數幾個關鍵問題的解決上，從而減少無意義的會議。

（2）往前走⼀步

作為演算法工程師，一定要往前多走一步。多瞭解產品和運營團隊的訴求，站在對方的角度考慮問題。要有“補位思維”，和產品、運營等其他合作伙伴協作前進，各自取長補短，最終協作將事情做成。不要排斥甚至對抗產品、運營團隊提出的訴求；也不要因為對方的經驗不夠豐富、考慮不夠周全等原因而忽略對方的一些 idea，從而錯過一個產品落地的機會。

（3）清零心態

面對棘手的問題時，不妨嘗試清零心態，拋棄固有思維模式，重新思考業務的核心。卸下固有包袱，可能就會覺得眼下的問題實際上可能並沒有那麼複雜，是可以逐步得到解決的。

（4）保持⼀顆相對強大的內心

網際網路行業普遍壓力較大，業內競爭非常殘酷，因此要保持一顆強大的心，從容面對困難和挑戰，不要被外界所干擾

4. 平衡重要關係

（1）家庭親子關係

家庭的關係非常重要，“家和萬事興”，多陪伴家人是很重要的事情。

（2）Work-Life Balance

工作只是生活中的一部分，因此還是要更好地平衡工作和生活，做到高效工作、用心生活。

（3）個人興趣

建議每個人都能夠發展一兩樣屬於自己的興趣愛好，讓大腦換一種方式運轉，對狀態的放鬆是非常有幫助的。

04

總結

本文重點講述了 3 個部分：

① 職場三個重要階段所面臨的挑戰。

② 如何做好規劃：Vision，自我評估，行動起來。

③ 明確路徑，打磨技術，積極心態，處理好重要關係。

05

Q1：如果崗位面臨“35 歲最佳化”這樣的問題，有必要深耕鑽研嗎？

A1：這個問題就涉及到前文所述的“心態”問題：“不以物喜，不以己悲”。“35 歲問題”其實每個人都會面臨，這個是由環境和市場決定的；而我們決定不了外界，但是能夠決定自己；因此努力做好自己，一切都不會差的。至於是否有必要深耕鑽研，關鍵還是在於自己的職業規劃方向，以及自己深耕鑽研的方向和程度。如果希望走工程師這個發展路徑，那還是有必要在自己的領域持續深耕的，夯實基礎，對未來會很有幫助；此外，還要考慮業務和管理方向的擴充套件，正如文中所提到的 “T 型人才”。綜上所述，“35 歲是否被最佳化”這個問題的決定權不在自己，與其焦慮，不如不斷提升個人能力，讓自己在職場中更加積極和主動。

Q2：如何看待大模型的發展給演算法工程師帶來的衝擊？

A2：一方面，大語言模型利用足夠量級的訓練資料確實產生奇幻的效果；但是另一方面，大模型的發展其實離不開產品的“包裝”，拋掉產品的“外衣”，其本質還是一個經典的演算法模型，只不過引數量級巨大，訓練語料更豐富。大模型的主要優勢還是在於訓練資料更多，並融入了部分強化學習的演算法，將資料訓練的每一個細節做到極致。因此，對於演算法工程師而言，無需太過焦慮，而是積極看待這些大模型：首先，大模型給整個 AI 演算法行業帶來了“提振”，即從資本層面得到市場的廣泛認可；其次，大模型給演算法工程師們指明瞭方向，即將產品、業務和技術結合才能找到出路。至於利用 AI 模型自動寫程式碼，可以將其看作生產力的輔助，而不會取代人。

Q3：推薦搜尋領域一般人和高手之間最大區別是什麼？

A3：任何一項技術，都可以分成器，術，法，道這 4 個 level。一般人可能更多處於器和術這個層面：使用很 fancy 的模型，使用各種 trick 來調參，最終達到較為滿意的效果；而高手往往已經經歷過這兩個層面，發現這兩個層面雖然能解決一部分實際的問題，但是不能解決一些更高層次的問題，這裡就涉及到道和法，涉及到更深層次的本質問題。以推薦為例，如何提升使用者滿意度這類問題：因為使用者滿意度的刻畫是相對主觀的，如何將其拆解成若干個客觀的、可量化的指標，這個很考驗演算法工程師的功力。舉一個具體例子：CTR 是個常用的指標，在一定程度上可以衡量出使用者的滿意度；但是如果僅僅最佳化 CTR 這個單一目標，則可能會帶來大量的“標題黨”；因此，需要藉助其他指標來平衡這個問題；而指標的選擇，一方面需要經驗的積累，另一方面也需要對業務的深刻理解，這就涉及到法和道這一層面。因此，要理性看待“級別”，迴歸本質：我們作為演算法工程師，要做的是用工程能力來解決實際的問題從而帶來價值，而不是“炫技”玩模型；能夠高效解決問題，才是對公司最大的價值。

Q4：如果要帶徒弟，您會教他更多關注哪些魔鬼細節？

A4：這個首先要看徒弟的能力水平定位。如果徒弟是應屆生，那其實不能有太多的要求，還是要循序漸進；如果徒弟是個業內資深人士，在行業內已經形成了自己的方法論，如果能夠達成任務目標，則也無需進行太多的額外要求。從團隊管理的角度，由於每個人都有自己的閃光點，同樣也有自己的缺點，因此很難進行統一的要求；作為團隊領導，我會更多關注員工的思考方式、解決問題的思路等，這些方面如果存在不完善、不周全甚至偏差和錯誤，需要第一時間加以指出和糾正。此外，涉及到交付物的規範性，例如上線模型規範、程式碼結構規範、程式碼註釋完整性這類問題，會進行較為嚴格的要求；其他方面的問題一般不會進行太過嚴苛的要求，也就不會涉及到太多的“魔鬼細節”。

Q5：文中提到搜廣推領域近年來沒有太大的發展，那麼未來會有哪些發展方向？

A5：近兩年搜廣推領域並不是沒有發展，而是在技術領域方面沒有出現重大的突破，在細分的方向還是有很多發展的。不過近兩年的發展更多在於業務層面，因為這個領域方向主要是由業務來支撐；因此，如果在業務方面沒有產生革命性的“爆發”，則很難帶動技術產生重大突破。至於未來的發展方向，大的方向上應該不會有全新的、顛覆性的模型框架出現；對於細分的領域和方向還是會有很大的發展空間，主要還是取決於具體的行業，以及行業內的業務方向，可以多關注業內相關的頂會來找答案。

Q6：某工程師在推薦方向有 3 年大廠經驗，切換到哪些方向比較合適？

A6：演算法賽道的切換，首先要進行自我評估，對自己的興趣和優勢有個準確、全面的認識，比如自己是更喜歡鑽研模型方法還是更喜歡解決業務問題，比如在 3 年的大廠經驗中有沒有哪個細分方向足夠擅長和精通；此外，還要考慮哪些發展方向天然具有競爭力，比如文中提到的自動駕駛方向就是個有競爭力的方向，未來可期而且接近落地。一般來說，由於推薦演算法直接對接業務，因此推薦演算法工程師的業務敏感度會比較強，因此轉行到各個方向都很容易成為解決問題的好手。

Q7：目前演算法崗位大多是高層次院校的碩博在競爭，普通院校學生如何參與競爭？是否需要更換崗位方向？

A7：大廠可能會對院校和學歷有較高的要求，但是入職參與業務之後，更多的還是依靠個人能力；普通院校學生可以多爭取實習機會，積累更多專案經驗，不用過多在乎學校出身。

Q8：工作太忙沒時間 follow paper 該怎麼辦？

A8：選擇少數幾個感興趣的頂會 paper 持續跟蹤；同時多多關注知乎等平臺，以及一些行業技術論壇，會有相關博主幫忙分類整理頂會文章並撰寫摘要，可以多閱讀來找到自己感興趣的方向。時間是擠出來的，每天花半小時到一小時實際研讀 paper 並提煉關鍵技術點，然後定期進行歸納和整理，長此以往就能達到很好的效果。

Q9：如何看待長影片推薦？

A9：長影片平臺和短影片平臺的執行機制有較大不同。長影片推薦更多還是關注影片的內容，因此需要演算法工程師從業務角度反向思考使用者消費長影片的痛點；此外，部分單位的做法是將長影片進行短影片化，提取長影片中的高光亮點，透過“碎剪”的方式將長影片轉化為短影片，從而用短影片的思路進行推薦。從產品的角度，可以藉助短影片的思路，透過“長影片帶短影片”的方式進行長影片推薦；具體來說，將長影片的片花和預告進行剪輯，用來吸引使用者觀看，進而透過產品路徑來引導使用者觀看完整版，最終引導使用者成為會員，提升使用者的 up 值。由此帶來的啟示是，演算法工程師還是要回歸到產品和業務的角度實現突破，而不能僅侷限於演算法角度。

Q10：演算法對學歷要求很高嗎？社招是否很看重過往的經歷對口？如果對目前技術方向不感興趣，如何轉型？

A10：如果一個行業足夠內卷，競爭壓力很大，那學歷問題還是無法逃避的；如果學校和學歷不佔優勢，則可以透過增加專案經驗的方式來“曲線救國”。社招方面，企業方確實更多看重過往的經驗，希望引入候選人過往的工作經驗來賦能公司眼下的業務；其次也要考察候選人的基礎素質，包括自驅力、學習力、思考方式、coding 能力等。對於職場中轉變方向，可以先考慮在從公司內部轉變方向，給自己爭取到一個嘗試期和過渡期。

Q11：推薦演算法已經進入瓶頸期，是否需要向資料底層（如 Hadoop、SQL 等）進行深耕？

A11：從工程化的角度來看，Hadoop、SQL 等確實是資料的底層架構；但是作為演算法工程師，更應該從產品和業務方向尋求突破，而不是深耕和最佳化底層結構。

Q12：老闆是研究院出身，缺乏工程化落地經驗，卻又在工作中過分關注細節，並且用競品的優勢進行否定和打壓員工，如何改善這種處境？

A12：其實好的老闆應該更多地向外擴充而非向內壓榨。如果不幸遇到這種習慣於向內壓榨的老闆，可以反向引導老闆向外看看；勤於溝通，瞭解老闆的痛點，做好向上管理工作。此外，如果真的老闆不好相處，無法溝通，而工作內容又不擅長、不感興趣，且工作不能帶來滿意的收入甚至影響自己的生活，那麼還是建議換一份工作。

Q13：搜廣推和 NLP，未來哪個方向就業更好？

A13：搜廣推更加貼近業務，而 NLP 是個相對基礎的方向。近年來，搜廣推的業務發展已經較為成熟，而 NLP 方向則面臨著一大難題，就是難以實現產品化落地。如果能夠從業務角度找到良好的落地方向，可以嘗試 NLP；否則還是建議搜廣推。總之，搜廣推領域會有現成的業務應用課題，只需要使用演算法來“解題”即可；而 NLP 領域相反，原始問題非常簡單，然而答案非常複雜。

Q14：工作期間切換演算法方向會有很高門檻嗎？

A14：門檻是有的，具體要看個人基礎和切換方向。例如，如果是搜廣推內部切換，難度相對較小；而如果是 CV/NLP 和搜廣推之間的切換，則難度相對較大。因此，工作期間切換演算法方向還是有很大成本的，尤其是社招更加看重過往經驗。不過，如果自身綜合素質較強，學習力、自驅力都很優秀，而公司的業務剛好需要這樣的人才，也會有很多這樣切換方向的機會。如果確定自己要切換方向，則需要選好路徑、做好計劃並持續行動。

Q15：時間序列預測領域的前景如何？是否有哪些熱門方向推薦？

A15：量化交易場景和時間序列預測相關性較高；搜尋推薦領域用到時間序列技術的地方不多，可能在使用者行為序列建模方面有所涉及；自動駕駛領域可能也會涉及部分時序預測，如 FSD 的路徑規劃、多幀串聯等場景；影片領域的很多技術和時間序列有較強的相關性；流量預測、客戶價值預測等場景和時間序列預測相關性較強。

Q16：某演算法工程師從業3年，仍然覺得工作吃力，因此想了解演算法方向更多是依靠天賦還是後天努力？

A16：首先需要明確“吃力”的關鍵是在於閱讀 paper 還是在於解決業務問題。從業前期難免會有迷茫期、挫敗期和焦慮期，這種情況因人而異，因此很難做出明確的回答，更多的還是在於 Follow your heart，找到自身的興趣和優勢。

Q17：推薦演算法與資料探勘有什麼區別？

A17：資料探勘是更加基礎的技術，推薦演算法是更上層的應用；推薦演算法中會用到很多資料探勘的技術。

A18：3 年經驗一般能夠達到準 senior 水平，對應阿里的 P7，以及騰訊的 9 級水平；進一步發展 2 年，一般可以達到阿里 P8 或騰訊 10 級的水平。