Career Prep 2027

Appearance

Career Goals ​

Last updated: 2026-08-18

本仓库不是通用计算机或人工智能课程知识库。

它的唯一核心目标是：

为 2027 届北京秋招建立岗位导向的笔试、技术面试、项目表达和求职能力体系，并尽可能获得兼顾平台稳定性、技术成长性、AI/计算机背景匹配度和通勤条件的高质量 Offer。

所有学习内容、练习、复习和项目准备都应服务于这一目标。

如果某个知识点对目标岗位的招聘流程、笔试、技术面试或实际岗位能力没有明显收益，则不应因为“属于计算机/AI基础知识”而无限扩展学习深度。

1. Career Positioning ​

当前职业定位：

北京核心城区 / 西城通勤友好 × AI / Computer Science 技术岗位 × 央国企、金融科技与金融基础设施等稳定平台 × 尽量保留 AI / 大模型 / 数据智能方向的技术成长性

银行不是唯一主线。

本轮秋招采用多路线并行策略。

2. Target Job Families ​

Priority A - 央企 AI / 大模型 / 数据智能 ​

代表目标：

  • 中移九天
  • 联通数据智能 / 联通 AI 研究院
  • 中电信人工智能科技 / TeleAI

优先岗位：

  • 大模型工程
  • AI 算法
  • 多模态
  • Agent / 智能体
  • RAG
  • AI 平台
  • 推理部署
  • 数据智能
  • AI Infra

这条路线最需要：

  • AI / ML / DL 基础
  • Transformer / LLM
  • RAG / Agent
  • 多模态
  • 推理部署
  • Python
  • 算法与数据结构
  • 项目与论文表达

Priority B - 金融科技 / 金融基础设施 ​

代表目标：

  • 成方金科
  • 中证股转科技
  • 中证数据
  • 中国结算
  • 建信金科
  • 北京银行信息科技
  • 民生科技
  • 其他高质量金融科技机构

优先岗位：

  • AI / 数据智能
  • 软件研发
  • 金融科技
  • 大数据
  • 核心系统研发
  • 数据平台
  • 算法与智能化应用

这条路线需要：

  • Common CS
  • Java / Python / SQL
  • 数据库
  • 操作系统
  • 网络
  • 数据结构与算法
  • 软件工程基础
  • AI 基础
  • 银行 / 金融科技岗位专项知识
  • 项目表达

Priority C - 其他央国企数字科技 ​

机会型目标：

  • 国家电网大数据中心
  • 中国金电
  • 中债金科
  • 其他北京核心城区高质量央国企数字科技岗位

根据具体 JD 决定偏向：

  • AI
  • 数据
  • 软件研发
  • 信息科技

不为尚未出现的岗位提前进行过度专项准备。

Special Route - 中科软 ​

中科软不是普通意义上的第一志愿或最低级保底。

核心策略：

利用内部关系争取岗位质量，而不是单纯争取录用资格。

值得进入正式 Offer 比较的前提包括：

  • AI / 大模型 / 数据智能等核心技术团队
  • 明确直属领导和项目方向
  • 技术成长路径清晰
  • 尽量避免长期客户驻场
  • 北京固定或可接受办公地点
  • 岗位能够利用当前 AI / 大模型 / 研究背景

如果最终只是普通项目制 Java 开发或长期驻场交付，则主要作为保底方案。

3. Decision Criteria ​

比较岗位时，不单纯按照公司名气排序。

主要评价维度：

DimensionMeaning
Platform平台稳定性、单位质量与长期履历价值
Role Fit是否匹配 AI / CS 背景
Technical Growth是否有真实技术成长空间
Location北京工作地点及西城通勤成本
Team团队、直属领导、实际项目质量
Stability就业稳定性与业务持续性
Compensation薪酬与福利
Future Options对未来 AI、金融科技、央国企或进一步发展的帮助

核心原则：

不因为“银行”“央企”“AI”中的任何单一标签机械选择岗位。

实际工作内容、团队和地点必须参与判断。

4. Learning Strategy ​

学习体系采用三条并行路线：

Common CS ​

服务于：

  • 银行信息科技岗
  • 金融科技研发岗
  • 央国企研发岗
  • AI 工程岗的基础技术面

重点：

  • 数据结构与算法
  • 数据库 / SQL
  • 操作系统
  • 计算机网络
  • Java / Python
  • 软件工程与系统基础

学习深度标准：

达到秋招笔试 + 技术面试能够稳定回答和应用的程度。

不以系统完成本科计算机专业全部理论课程为目标。

AI / LLM ​

主要服务于：

  • 中移九天
  • 联通 AI
  • TeleAI
  • 金融科技 AI 岗
  • 其他央国企 AI / 大模型岗位

重点：

  • Machine Learning
  • Deep Learning
  • Transformer
  • LLM
  • RAG
  • Agent
  • Multimodal
  • Inference / vLLM
  • AI 工程实践
  • 论文与项目技术表达

学习原则：

数学机制、工程机制和面试表达并重。

避免只学习模型名词和框架 API。

Bank / EPI ​

主要服务于：

  • 银行总行 / 分行科技岗
  • 银行金融科技子公司
  • 部分金融基础设施招聘笔试

重点：

  • EPI
  • 资料分析
  • 数量关系
  • 判断推理
  • 言语理解
  • 经济金融
  • 银行知识
  • 时政
  • 英语
  • 目标机构专项知识

学习原则：

以考试得分和做题速度为核心，而不是构建完整金融专业知识体系。

5. Depth Control ​

任何新知识进入学习路线前，都应回答：

  1. 哪一类目标岗位会考或会问？
  2. 属于笔试、技术面试、项目面试还是实际岗位能力？
  3. 预计出现频率和重要性如何？
  4. 当前学习深度是否已经足够应对秋招？
  5. 继续深入的边际收益是否高于其他待学模块？

如果无法明确对应目标岗位：

默认降低优先级。

如果属于高频秋招知识：

优先做到能够独立解释、做题和口述。

如果只属于研究级或工程细节：

根据目标岗位 JD 决定是否深入。

6. Preparation Priority ​

当前总体优先级：

  1. 秋招投递与招聘节点
  2. Common CS / AI / Bank 笔试与技术面准备
  3. 简历与项目 / 论文表达
  4. 针对目标岗位的专项补强
  5. 高价值定向实习
  6. 与秋招关系较弱的扩展学习

学习路线不能因为某一知识模块有趣而长期偏离求职主线。

7. Repository Rule ​

本仓库所有模块都应能够追溯到：

Target Job Family ↓ Recruitment Requirement ↓ Knowledge / Skill ↓ Practice ↓ Interview / Test Output

而不是：

学科目录 ↓ 无限扩展知识

progress.md 回答：

已经学到了哪里？

session-handoff.md 回答：

下一次从哪里继续？

career-goals.md 回答：

为什么学，以及是否值得继续学？

三者职责不可混淆。