一本信息与计算科学-算法工程师 你有没有想过，你刷到的那些”猜你喜欢”、小爱同学、Siri，是怎么变”聪明”的？ 这些背后，是像我这样的算法工程师在调参、炼丹、写代码。 我叫张磊，信息与计算科学专业毕业，现在在一家AI公司当算法工程师。年薪从刚毕业的15万涨到了现在的40万。干了四年，我从一个”数学学不下去”的迷茫学生，变成了一个”能跑模型调参”的工程师。这条路，走得挺曲折的。 高中数学竞赛一等奖的代价 我选信息与计算科学，是因为高考数学考得不错。 高三那年，我的数学成绩一直是年级前几名。高考数学我考了148分，差点上150。那是我人生中的高光时刻。 填志愿的时候，我想报数学专业。我爸说：“数学好，以后可以当老师，也可以转金融、计算机，就业面广。” 后来我查了查，发现有一个专业叫”信息与计算科学”，据说是”数学与计算机的交叉学科”，听起来很厉害。 我就报了这个专业。 结果到了大学我才发现，这个专业是”数学专业”——开的课跟数学与应用数学差不多，《数学分析》《高等代数》《实变函数》《泛函分析》……全是纯数学的东西。 而”计算机”只是点缀——大一学了一门C语言，大二学了一门数据结构，然后就再也没有了。 我整个人都傻了。 大一：被数学分析”暴击” 开学的第一堂专业课是《数学分析》，老师是个头发花白的老教授，姓陈，据说是学院里的”数学泰斗”。 他第一节课就说：“数学分析是数学系的基础课，也是最难的一门课。你们要做好准备，这门课会刷掉很多人。” 我当时不服气——我高考数学都148了，还怕什么数学分析？ 结果，第一学期就给了我当头一棒。 《数学分析》的难度跟高中数学完全不是一个量级。极限、连续、导数、微分、积分……每一个概念都抽象得要命。高中数学是”算”，大学数学是”证”——要证明一个结论为什么成立，而不是会算就行。 期中考试，我只考了58分。 那是我人生中第二次考试不及格（第一次是高等代数）。我开始怀疑人生——我真的是”数学好吗”？ 后来我去请教了一个学长。学长说：“数学分析这东西，光看教材不够。你得去看一些课外书，比如菲赫金哥尔茨的《微积分学教程》，或者陶哲轩的《实分析》——那些书写得更详细、更容易理解。” 我照做了。 接下来的一个月，我把图书馆里能借到的数学分析参考书都翻了一遍。每本书的写法不一样，角度不一样，看多了之后，我对那些抽象概念的理解慢慢清晰起来。 期末考试，我考了72分。虽然不算高，但总算过了。 这次经历让我明白了一个道理：数学这东西，不能只靠聪明，还得靠积累和理解。 大二：找到了方向——编程 大二开始，专业课越来越难。《实变函数》《泛函分析》《拓扑学》……每一门课都让我怀疑人生。 但也是这一年，我接触到了编程。 大二下学期，有一门课叫《数据结构与算法》。这门课讲的是计算机科学的核心内容——数组、链表、树、图、排序、查找…… 我突然发现，我对编程比对数学更感兴趣。 上课的时候，老师讲算法的逻辑和思路，我觉得特别有意思。尤其是”递归”和”分治”这两个概念，让我眼前一亮——原来解决问题可以这么优雅！ 期末考试，数据结构我考了90分，是专业课里最高的。 从那以后，我开始把更多的精力放在编程上。 大三：发现机器学习 大三上学期，一门选修课改变了我的人生轨迹。 那门课叫《人工智能导论》，是计算机学院开设的一门选修课。我出于好奇选了这门课，没想到它彻底改变了我的方向。 这门课的老师姓李，是个年轻的海归博士，据说以前在Google Brain干过。他的课特别有意思——不讲那些过时的专家系统、知识表示，而是直接讲当时最火的”深度学习”。 他给我们展示了AlphaGo的案例、语音识别的demo、图像分类的应用……每一个都让我震撼。 下课后，我去找李老师，问他：“老师，我想学机器学习，应该怎么入门？” 李老师笑了笑，说：“数学基础你有，编程基础你也有。接下来就是找一个方向，深入进去。可以从吴恩达的机器学习课程开始，然后慢慢做项目。” 我照做了。 大三下学期，我花了整整三个月，把吴恩达的《机器学习》课程从头到尾学了一遍。配套的编程作业我也全部完成了——线性回归、逻辑回归、神经网络、SVM、聚类……每一个算法我都亲手实现了一遍。 学完之后，我发现自己对”机器学习”这个方向特别感兴趣。 大四：决定转行 大四上学期，我开始面临选择。 我们专业的对口方向，要么是继续读数学的研究生，要么是去当数学老师。但这两条路我都不太想走——我对纯数学研究没有太大兴趣，当老师也不是我的梦想。 转行做算法工程师，成了我的目标。 但现实很残酷。 算法工程师的门槛很高——好的岗位基本都要求计算机专业出身，或者至少有相关的项目经验。我一个数学系的本科生，想直接找到算法岗位的工作，难度很大。 我试着投了一些简历，但大部分都石沉大海。偶尔有几个面试机会，也因为”专业不对口”被拒了。 最后，我拿到了一家小公司的offer——Java开发，月薪8000。 虽然不是算法岗，但这家公司至少是技术方向。而且离我的目标更近一步——先入行，再慢慢转型。 第一次面试算法岗，被问到怀疑人生 2019年7月，我入职了。 试用期三个月，月薪8000，扣完五险一金到手大概6500左右。租了一个合租的单间，月租1800，每个月能攒下两三千块钱。 工作内容是Java后端开发——写接口、做数据库、优化性能……跟我想象的”用代码改变世界”完全不一样。 一开始我挺失落的。但后来我想明白了：Java开发也是编程，也能锻炼我的代码能力。而且后端开发涉及到很多数据处理的工作，这对我以后转型算法也有帮助。 于是我开始”骑驴找马”——白天写Java代码，晚上学算法。 每天晚上回家，我会花两三个小时学习机器学习和深度学习。看论文、读代码、跑实验…… 那段时间我瘦了十斤，但收获很大。 我开始尝试在公司内部转型。 有一次，公司的产品部门需要一个推荐算法的模块，我主动请缨，参与了这个项目。虽然最后的效果一般，但这次经历让我积累了实战经验。 第二年：跳槽成功，转型算法工程师 工作两年之后，我决定跳槽。 这时候的我，已经有了扎实的算法基础——机器学习、深度学习、NLP、CV都有涉猎；也有了一些实战经验——推荐算法项目、数据挖掘项目；还刷了大量的LeetCode题目，算法能力也有了提升。 我开始投算法岗位的简历。 面试了七八家公司，大部分都挂在了”手撕算法”这一关——虽然我刷了很多题，但现场Coding的时候还是会紧张出错。 后来我去了一家做NLP的创业公司面试。这家公司规模不大，但技术氛围很好。面试官问了很多机器学习的基础问题，我都答上来了。最后一轮面试是现场coding——一道hard难度的题目，我思考了五分钟，然后写出了完整的代码。 面试官看了之后，说：“不错，你的基础很扎实。” 一周之后，我收到了offer。 月薪18000，年薪大概30万。 虽然比Java开发的时候涨了不少，但跟那些大厂的算法岗比起来，还是差了一截。不过对我来说，这个offer已经是一个巨大的进步——我终于成为了一名”算法工程师”。 跳槽后的成长 入职新公司之后，我被分配到了NLP团队，做对话系统的开发。 工作内容包括：意图识别、槽位抽取、对话管理、知识图谱……每一个模块都涉及大量的机器学习算法。 一开始我挺吃力的——虽然理论基础有，但实际工作中遇到的问题比课程作业复杂得多。数据质量差、模型效果不稳定、上线之后各种bug…… 但我没有放弃。 我开始系统地学习NLP的技术——Word2Vec、BERT、Transformer、GPT……每学一个新技术，我都会想办法应用到工作中去。 我还开始学习一些工程化的东西——模型部署、在线服务、性能优化……以前我只管训练模型，现在要管整个系统的运行，要求更高了。 慢慢地，我开始能独当一面了。 第四年：加入大厂 2023年，我工作第四年的时候，又一次决定跳槽。 这一次的目标是”大厂”。经过两年的积累，我觉得自己已经有足够的能力去竞争大厂的算法岗位了。 我投了字节跳动、阿里巴巴、腾讯、美团等公司的算法岗位。 面试的过程很艰难。每一轮都要考察：数学基础、机器学习算法、深度学习架构、系统设计、代码能力……每一项都不能有短板。 字节跳动的面试最让我印象深刻。 四面都是技术面，每一面都有一道算法题。题目都不简单，但我都做出来了。面试官问的问题也很深入——从模型原理到工程实践，从业务场景到技术选型，每一个问题都在考验我的综合能力。 等offer的那两周，我每天都紧张得睡不着。 最后，我拿到了字节跳动的offer——高级算法工程师，月薪28000，年薪大概40万。 那一刻，我激动得差点跳起来。 算法岗第三年：又开始刷题了 2026年了，我在字节跳动工作快三年了。 现在的我，是电商业务线的一名算法工程师，负责商品推荐和搜索排序相关的工作。年薪40万，虽然比不上那些年薪百万的大佬，但跟我刚毕业时的15万比，已经翻了两倍多。 工作内容很有挑战性——每天都在跟数据、模型、算法打交道。 我们的推荐系统每天服务几亿用户，每一个用户的点击、购买、收藏行为，都会被记录下来，用来训练和优化推荐模型。 有时候一个模型的优化，能带来0.1%的点击率提升。别小看这0.1%，乘以几亿用户，就是巨大的业务价值。 当然，这个岗位的压力也很大。 互联网行业变化快，不学习就会被淘汰。新的模型、新的算法、新的技术，每年都在涌现。要想保持竞争力，必须持续学习。 算法岗寒冬：2026年还值得入坑吗 干了四年算法工程师，我最大的感受是：数学是基础，但编程才是关键。 很多人觉得算法工程师需要很深的数学功底，这话没错——概率论、线性代数、最优化理论，这些是理解机器学习算法的基础。 但真正在工作中，你大部分时间是在写代码、调参数、跑实验。数学好只是让你理解得更快，但写代码的能力才是落地的关键。 还有一点：转行是可能的，但需要提前准备。 算法工程师的门槛确实不低，但如果你是理工科背景，数学和编程有一定基础，转行的可能性是存在的。关键是：提前学、早准备、多积累项目经验。 转行的那几年是最难的——白天上班，晚上学习，周末刷题。但只要熬过去，前途是光明的。 最后说一句：算法工程师是一个”青春饭”的职业吗？ 我觉得不是。虽然35岁危机的话题经常被提起，但真正有能力的人，永远不会被淘汰。关键是你要持续学习、持续进步，让自己的价值跟上市场的变化。 这条路我走了四年，还在继续。希望我的经历能给你一些参考。 共勉。
关联阅读
大厂/AI就业参考 4.【直接就业】高价值信息差 案例索引 0000_1001案例总索引 知识库总索引 0000浪尖大学四年知识库_总索引
继续阅读导航 上级目录
全库目录索引 1001上百大学四年的规划案例 目录索引
同目录索引
1001上百大学四年的规划案例 目录索引
跨库关联
专业规划：信息与计算科学：信息与计算科学 竞赛：0000竞赛高价值信息差 竞赛：1000「高价值」竞赛信息获取全面指南 竞赛：1000「高价值」竞赛成果转化与简历文书撰写技巧 竞赛：1000「高价值」竞赛团队组建与分工协作指南 竞赛：竞赛经验分享与人物访谈：向成功者学习 科研：1000「高价值」科研基本认知与规划 科研：本科生科研入门：如何联系导师与进入实验室 科研：1000「高价值」文献阅读与综述撰写：科研基础能力构建指南 科研：1000「高价值」科研论文撰写与投稿流程 科研：科研经验分享与人物访谈：本科生科研成功案例与经验 就业：大厂vs小公司vs创业公司：第一份工作的平台选择
同主题推荐
信息与计算科学 0000竞赛高价值信息差 1000「高价值」竞赛信息获取全面指南 1000「高价值」竞赛成果转化与简历文书撰写技巧 1000「高价值」竞赛团队组建与分工协作指南 竞赛经验分享与人物访谈：向成功者学习 1000「高价值」科研基本认知与规划 本科生科研入门：如何联系导师与进入实验室 1000「高价值」文献阅读与综述撰写：科研基础能力构建指南 1000「高价值」科研论文撰写与投稿流程
相关标签
上百大学四年的规划案例 竞赛 科研 就业 考研 创业 信息与计算科学案例
下一步阅读
下一篇：案例088-新闻传播-考研复旦