资深工程师转型 AI：12 个月行动计划

核心判断：资深 SWE 不需要从零变成 ML 研究员。市场最缺的是能把 AI 可靠地做进产品的工程师，而这正是你的主场。

你的既有优势（别浪费）

• 系统设计：AI 应用本质是分布式系统 + 概率组件。
• 工程严谨：评估、回归、可观测、成本控制——AI 团队最缺这些。
• 业务理解：知道什么问题值得用 AI 解决，什么不值得。

转型不是抛弃过去，而是在既有能力上叠加 AI 应用层。

三种转型路径

多数人从 A 或 B 起步。作品集是三条路的公共前提。

季度目标

Q1：建立地基 + 第一个作品

• 跑通 LLM 应用基础（见 AI 学习路线）。
• 交付1 个真实可用的 AI 小应用（哪怕内部工具）。
• 开始写技术笔记（就用本知识库），沉淀思考。

Q2：RAG + 深度作品

• 做一个有真实用户的 RAG 应用，收集失败案例并改进。
• 写 2–3 篇有深度的复盘文章，公开发布（博客/GitHub）。
• 参与 1 个开源 AI 项目的 issue/PR。

Q3：Agent + 系统化

• 做一个带工具的 Agent，解决一个具体多步任务。
• 建立评估体系，能量化你的系统质量。
• 更新简历与作品集，突出「交付 + 度量」。

Q4：求职/转岗冲刺

• 定向投递「AI 应用/平台」团队，而非「AI 研究」岗。
• 用作品集讲故事：问题 → 方案 → 度量 → 迭代。
• 系统刷面试（算法 + 系统设计 + AI 应用设计）。

作品集策略（决定成败）

一个好作品 > 十个教程 demo。好作品的标准：

1. 解决真实问题（哪怕小众）。
2. 有度量：准确率/成本/延迟，附上前后对比。
3. 有复盘：写清哪里会失败、你怎么改的。
4. 可访问：线上 Demo + 源码 + 一页 README。

简历改写要点

• 把过往经历用 AI 视角重述：你做过的数据管道、平台、可观测系统，都是 AI 基建。
• 量化一切：QPS、成本下降、延迟、准确率。
• 顶部放AI 作品集链接。

常见焦虑与回应

• 「数学不够好？」→ 应用层要的是直觉，不是证明。缺啥补啥。
• 「起步太晚？」→ LLM 应用范式很新，大家都在同一起跑线附近。
• 「怕打杂？」→ 用作品集证明你能交付，而非只会调 API。

配套：AI 工程师能力地图、海外与 Remote 求职策略。

海外与 Remote 求职策略

三条主线：Remote 优先（低门槛起步）、海外落地（长期选项）、外企在华（过渡）。

路径对比

Remote 求职渠道

• 聚合站：远程岗位聚合平台、公司 careers 页直投。
• 社区：相关技术社区、开源项目维护者网络。
• 冷启动：给目标公司的开源项目贡献 PR，是最强的敲门砖。

简历本地化（英文简历）

• 一页为佳，动词开头 + 量化结果（"Reduced p99 latency by 40%…"）。
• 去掉照片、婚姻、年龄等信息。
• 突出影响与规模，而非职责罗列。
• 顶部一句 summary + 技术栈关键词（便于 ATS 筛选）。

时区与异步协作

• Remote 团队高度依赖异步：清晰写作 > 频繁会议。
• 把决策、上下文写进文档/PR，让不同步的人也能跟上。
• 主动 overlap：每天留 2–3 小时与团队重叠时段。

面试准备

• 英语沟通：见 技术面试英语。
• 算法：稳定刷题，重点 DP/图/二分（见 动态规划专题）。
• 系统设计：能画出可扩展架构并讨论权衡。
• 行为面：用 STAR（Situation-Task-Action-Result）结构讲故事。

谈薪要点

1. 先让对方给数字：被问期望时，反问对方 range。
2. 谈总包：base + bonus + equity + 签字费，别只盯 base。
3. 拿到 offer 再谈：有 competing offer 时杠杆最大。
4. 书面确认：所有口头承诺都要落到 offer letter。

合规与税务（务必重视）

• 跨境远程涉及税务居民身份、合同主体、外汇合规，因地区差异很大。
• 起步前咨询专业人士，别用「先干起来再说」的心态处理合规。

⚠️ 本文为一般性经验，签证/税务/合规请以专业顾问与当地法规为准。

系统设计面试框架（面向资深工程师）

结论先行：系统设计面试考的不是"背架构"，而是结构化沟通 + 权衡决策。面试官想看你能否把模糊需求变成可落地、可扩展、有取舍依据的设计。用固定框架，把 45 分钟走稳。

相关阅读：技术面试英语、Remote / 海外求职策略、转型 AI 的职业路径。

0. 45 分钟时间盒

1. 需求澄清（别急着画图）

• 功能需求：核心用例是什么？先聚焦 1–2 个（如"发短链/取短链"）。
• 非功能需求：规模（DAU/QPS）、读写比、延迟目标、一致性要求、可用性目标。
• 明确 Out of Scope：主动砍掉次要功能，聚焦深度。

一句话确认："我先做 X 和 Y，先不做 Z，规模按 N 级 DAU、读多写少、强调低延迟——对吗？"

2. 容量估算（Back-of-envelope）

练熟这几个换算：

• 1 天 ≈ 86,400 ≈ 10^5 秒。
• QPS = 日请求数 / 10^5；峰值 ≈ 平均 × 2–5。
• 存储 = 记录数 × 单条大小；估读/写 QPS、带宽、缓存容量。

例：1 亿 DAU、人均 10 次读 → 10^9/天 ≈ 万级 QPS，峰值几万。据此决定是否需要缓存/分片。

3. 接口 & 数据模型

• 定义少量核心 API（REST/gRPC）：入参、出参、错误。
• 核心实体与关键索引；选 SQL 还是 NoSQL 说清理由（事务/关系 vs 海量 KV/水平扩展）。

4. 高层架构（画数据流）

标准骨架，按需增删：

Client → CDN → LB → API Gateway → Service(s)
                                     │
                     ┌───────────────┼───────────────┐
                   Cache           DB(主从/分片)     消息队列
                 (Redis)                              (Kafka)
                                                       │
                                                    异步 Worker

先画能跑通的最简版，再逐步加缓存、队列、副本。

5. 深挖（面试真正的分水岭）

面试官会挑一点让你深入。常见方向与武器：

• 扩展性：水平扩容、无状态服务、分片/分区（一致性哈希）、读写分离。
• 缓存：缓存策略（Cache-aside）、失效、雪崩/穿透/击穿、热点 key。
• 数据库：主从复制、分库分表、索引、CAP 取舍、最终一致 vs 强一致。
• 异步与削峰：消息队列、幂等消费、重试与死信、Outbox 模式。
• 高可用：多副本、故障转移、限流/熔断/降级、超时与重试预算。
• 一致性：分布式事务替代方案（Saga、TCC）、幂等键。

6. 高频组件速查

7. 权衡与收尾

• 明确讲取舍："选最终一致换可用性，因为业务能容忍秒级延迟。"
• 指出瓶颈与演进路径：现在够用，量再大 10× 时先动哪块。
• 补一句可观测性：关键指标、告警、SLO。这体现资深度。

8. 常见陷阱

• 不澄清就开画 → 做错方向。
• 一上来堆一堆中间件炫技，却讲不清为什么。
• 只画框图不谈数据流与失败路径。
• 不给数字（容量、延迟）→ 决策没依据。
• 沉默思考 → 面试是沟通题，边想边说（用英语时尤其要练，见 技术面试英语）。

小结

把框架背到肌肉记忆：澄清 → 估算 → 接口/模型 → 高层 → 深挖 → 权衡。剩下的就是用几个经典题（短链、Feed、聊天、限流、支付、通知）反复演练，直到能用英语从容主导 45 分钟。

行为面试与 STAR 方法（讲好你的故事）

结论先行：行为面试不是聊天，是结构化取证——面试官用"过去的具体行为"预测你未来的表现。答案必须是具体的、你主导的、有结果的真实故事，用 STAR 讲清楚。含糊的"我们通常会……"是最大失分点。

相关阅读：技术面试英语、系统设计面试框架、Remote / 海外求职策略、英语口语流利度。

1. 行为面试在考什么

大厂常按能力维度评分（不同公司叫法不同，内核相似）：

• 主导权 / Ownership（能否把事扛到底）
• 处理冲突 / 协作
• 面对模糊与压力
• 影响力 / 说服他人
• 从失败中学习
• 数据驱动决策

每个维度都要准备至少一个故事。

2. STAR 结构

关键：Action 用"我"不用"我们"，讲清你个人的决策与动作；Result 尽量带数字（延迟降了 X%、成本省了 Y、上线周期缩短 Z）。

3. 建一套"故事库"

准备 6–8 个真实项目故事，做成一张表，让每个故事能覆盖多个维度：

面试时按被问的维度从库里调故事，而不是临场硬编。

4. 英语作答技巧

• 用信号词给结构，让听者跟得上：The situation was...、My task was to...、So what I did was...、As a result...。
• 先给一句结论/概要再展开（金字塔式），别铺垫太久。
• 练到能用英语 2–3 分钟讲完一个故事且不磕巴——录音复盘（见 英语口语流利度）。

5. 高频追问（准备好）

• "如果重来你会怎么做？"（考反思）
• "别人不同意时你怎么办？"（考影响力）
• "结果如何量化？"（准备数字）
• "你个人具体做了哪部分？"（挤掉"我们"）

6. 常见陷阱

• 全程"我们"，听不出你做了什么。
• 只讲技术不讲决策与协作。
• 没有结果 / 结果不可量化。
• 故事太长、铺垫太多，Action 反而略过。
• 编造：一追问细节就露馅——用真实故事。
• 负面故事只讲失败不讲成长。

小结

行为面试是可准备的：建故事库 → 用 STAR 组织 → Action 突出个人 → Result 带数字 → 英语讲流畅。花一周把 6–8 个故事写透、录音练熟，你在任何维度被问到都能从容应对。

编程面试的核心套路（模式化刷题）

结论先行：编程面试题目千变万化，底层模式就十几个。会识别"这题属于哪个模式"，比盲刷题量更重要。目标是看到题面能在 30 秒内报出候选模式和数据结构。

相关阅读：动态规划系统指南、最长递增子序列、系统设计面试框架、技术面试英语。

1. 高频模式速查表

2. 怎么"识别模式"

拿到题先问三件事：

1. 输入结构：有序吗？树/图/链表/矩阵？
2. 要什么：最短/最长/计数/所有方案/存在性？
3. 约束规模：n 多大 → 反推目标复杂度（n≤20 可指数；n≤10^3 可 O(n²)；n≥10^5 需 O(n log n) 以内）。

信号→模式的常见映射：

• "连续子数组/子串 + 最长/最短" → 滑动窗口。
• "有序 + 找某个临界点" → 二分。
• "所有排列/组合/子集" → 回溯。
• "第 K 个" → 堆 或 快速选择。
• "下一个更大" → 单调栈。
• "依赖/前置条件" → 拓扑排序。
• "最优 + 可拆成子问题" → DP（见 DP 指南）。

3. 两个模板

滑动窗口（变长）

l = 0; 维护窗口状态
for r in range(n):
    加入 nums[r]
    while 窗口不合法:
        移除 nums[l]; l += 1
    更新答案(r - l + 1)

回溯

def backtrack(path, choices):
    if 满足终止: 记录 path; return
    for c in choices:
        做选择 c
        backtrack(path+[c], 更新后的 choices)
        撤销选择 c

4. 学习路径（效率优先）

1. 先把上表 15 个模式各吃透 3–5 题，手写模板到肌肉记忆。
2. 每题练"识别→报模式→说复杂度→再写码"的口头流程（面试要边说边写，见 技术面试英语）。
3. 用间隔重复复盘错题，按模式归类而非按题号。
4. 后期做限时模拟（35–40 分钟一题含沟通）。

5. 常见陷阱

• 盲目刷题量，不做模式归纳 → 换个包装就不会。
• 不先讲思路直接写码 → 面试沟通分丢光。
• 不报复杂度、不说边界（空、单元素、越界）。
• 只求 AC 不复盘更优解。

小结

把面试算法当模式匹配问题：吃透十几个套路、练熟模板、练"边说边写"，比刷题海高效得多。识别对模式，题目就解决了一大半。

动态规划专题：从状态定义到优化

DP 的难点不是「会不会」，而是能不能稳定地把新问题拆成状态 + 转移。本文给你一套可复用的思考流程。

通用五步法

1. 状态定义：dp[i] / dp[i][j] 表示什么？（最关键的一步）
2. 转移方程：dp[i] 由哪些更小的状态推出？
3. 边界/初始化：最小子问题的值。
4. 计算顺序：保证算 dp[i] 时依赖项已算好。
5. 答案位置：最终答案在哪个状态。

一维 DP：打家劫舍（LC198）

• 状态：dp[i] = 前 i 间房能偷的最大金额。
• 转移：$dp[i] = \max(dp[i-1],\; dp[i-2] + nums[i])$
• 边界：dp[0]=nums[0]，dp[1]=max(nums[0],nums[1])。

int rob(vector<int>& nums) {
    int prev2 = 0, prev1 = 0;
    for (int x : nums) {
        int cur = max(prev1, prev2 + x);
        prev2 = prev1; prev1 = cur;
    }
    return prev1;
}

背包模型：零钱兑换（LC322，完全背包）

• 状态：dp[a] = 凑出金额 a 的最少硬币数。
• 转移：$dp[a] = \min_{c \in coins}(dp[a-c] + 1)$
• 边界：dp[0]=0，其余初始化为 ∞。
• 注意：数组按 amount（≤10⁴）开，不是按硬币面额，不会爆。

int coinChange(vector<int>& coins, int amount) {
    vector<int> dp(amount + 1, amount + 1);
    dp[0] = 0;
    for (int a = 1; a <= amount; a++)
        for (int c : coins)
            if (c <= a) dp[a] = min(dp[a], dp[a - c] + 1);
    return dp[amount] > amount ? -1 : dp[amount];
}

子序列：LIS 与 LCS

• 最长递增子序列（LIS）：贪心 + 二分做到 $O(n\log n)$，见 专文。
• 最长公共子序列（LCS，LC1143）：二维 DP，$O(nm)$。
  • 状态：dp[i][j] = A 前 i、B 前 j 的 LCS 长度。
  • 转移：相等则 $dp[i][j]=dp[i-1][j-1]+1$，否则 $\max(dp[i-1][j], dp[i][j-1])$。
  • 说明：一般 LCS 没有通用的 $O(n\log n)$ 解；只有当元素互异可映射为排列时才能转成 LIS 求解。

编辑距离（LC72）

• 状态：dp[i][j] = word1 前 i 转成 word2 前 j 的最少操作数。
• 转移：若 word1[i-1]==word2[j-1]，$dp[i][j]=dp[i-1][j-1]$； 否则 $dp[i][j] = 1 + \min(dp[i-1][j],\; dp[i][j-1],\; dp[i-1][j-1])$（删/插/替）。
• 边界：dp[i][0]=i，dp[0][j]=j。

区间 DP 与二维路径

• 区间 DP（如戳气球、回文）：dp[i][j] 表示区间 [i,j]，按区间长度从小到大枚举。
• 路径 DP（最小路径和 LC64）：dp[i][j] = grid[i][j] + min(dp[i-1][j], dp[i][j-1])。

优化技巧

高频题清单（建议顺序）

1. 打家劫舍 198 · 爬楼梯 70
2. 零钱兑换 322 · 完全平方数 279
3. 最长递增子序列 300 · 最长公共子序列 1143
4. 编辑距离 72 · 不同路径 62/63
5. 最长回文子串 5 · 最小路径和 64
6. 买卖股票系列 121/122/123/188
7. 戳气球 312 · 最长有效括号 32（进阶）

记忆化搜索与自底向上 DP 是等价的：想不清顺序时先写记忆化 DFS，再翻译成迭代。

最长递增子序列（LIS）

给定数组，求最长严格递增子序列的长度。朴素 DP 是 $O(n^2)$， 但用「贪心 + 二分」可以做到 $O(n \log n)$。

核心思想

维护数组 tails，其中 tails[i] 表示长度为 i+1 的递增子序列的最小可能尾元素。 遍历每个 x，用二分找到第一个 $\ge x$ 的位置替换（严格递增用 lower_bound）：

• 若 x 比所有尾元素都大 → 追加，长度 +1；
• 否则 → 替换第一个 $\ge x$ 的尾元素，保持「尾元素尽量小」。

tails 的长度即为答案。注意 tails 本身不一定是真正的 LIS，但长度正确。

实现

int lengthOfLIS(vector<int>& nums) {
    vector<int> tails;
    for (int x : nums) {
        auto it = lower_bound(tails.begin(), tails.end(), x);
        if (it == tails.end()) tails.push_back(x);
        else *it = x;
    }
    return tails.size();
}

复杂度

若要「非严格递增」（允许相等），把 lower_bound 换成 upper_bound。