九本华五硕研一电子信息，不是计算机科班现在想转码，老师做的是agent具身相关的内容，但是研一比较放养，现在把简单的python pytorch 深度学习 transformer架构大概学了一下 打算在下学期找个实习 目标岗位算法或者ai应用开发 后面打算看cs336 做作业一就是从头搭建一个大模型相关的 还有就是学些agent文档 看helloagent rag learncc这种自己vibe一个agent（但都是比较初步的想法 感觉学习的东西有点多 也学的不太精 比较迷茫） 然后现在同步还在补计算机专业课 操作系统什么的 主要看的是小林coding 有什么方向或者学习路线上的建议吗老师[感谢]

你这个底子非常适合走 AI 应用 / Agent 工程这条线，而不是硬卷纯预训练大模型算法岗；你的导师方向（具身、Agent）是巨大加分项，不要丢；研一放养、时间窗口刚好，不用面面俱到，做「定向深耕 + 可展示项目」，而不是把所有 CS 课、所有大模型资料均匀啃一遍。

你的优势：九本 + 华五硕，电子信息，有深度学习、Transformer、PyTorch 基础，导师方向天然绑定 Agent / 具身，目标是实习（算法 / AI 应用开发）； 你的痛点：战线铺太宽（CS 底层课、从头搭大模型、RAG、Agent、CS336、零散教程），没有优先级，容易每个都浅尝，简历上拿不出能过面试的硬作品。

下面分：岗位取舍、路线优先级、项目设计、面试准备、时间规划、避坑。

一、先选清楚：你到底冲哪一类岗位

三个赛道，难度、适合度完全不一样，不要同时 all in。

1. 大模型预训练 / 基础模型算法岗（最难） 要求：扎实的数学、分布式训练、优化器、并行、显存优化，能读懂 Llama / Mistral 训练代码，有预训练 / 续训经验。 CS336、从头搭一个小模型，是这个路线的内容。
   ✘ 对你来说性价比偏低：你不是科班，研一时间有限，这个赛道竞争者很多是本就深耕 NLP、有训练集群资源的人；而且你导师是具身 Agent，不是预训练。
2. Agent / LLM 应用算法 / 大模型应用开发（最推荐，匹配度最高） 岗位名字经常叫：LLM 应用工程师、Agent 算法、多模态应用、AI 应用开发、智能体研发。 核心做：RAG、工具调用、规划、记忆、多智能体、具身任务（机器人里的 LLM planner）、评估、prompt 工程、链路优化、检索增强、Agent 框架二次开发。
   ✅ 和你导师方向完美对齐；不需要你真训一个 7B 大模型；但要求你能独立实现、调试、评估、工程化一套 Agent 链路，并且懂里面的坑。
3. 传统深度学习 / CV 算法岗（次选） 如果后面 Agent 卷不动，可以备选；但现在纯 CV 内卷很严重，且和你现在的积累方向脱节。

所以建议：主赛道锁定 Agent / LLM 应用方向，把 CS336、从头搭模型当成 “加深理解”，而不是你的核心产出；补计算机基础是为了工程能力，不是为了考试。

一句话定位：你走「懂底层原理、能写工程、会做智能体系统」的 AI 应用算法，而不是「专门训基座」的基础模型研究员。

二、学习路线：分层，分清「必须精」「看懂就行」「面试前再补」

我把你现在所有计划，重新排优先级，分成四层。

第一层（最高优先级，用来做项目、写简历、面试）

目标：能独立产出一个有完整链路、能讲清楚、能跑起来、有评估的 Agent 项目，这是你下学期实习最核心的筹码。

顺序建议：

1. 先把 RAG 吃透，而不是先做复杂 Agent HelloAgent、learncc 这类教程可以看，但不要只跟着跑一遍。你要做到：
   • 理解不同检索范式：稀疏（BM25）、稠密向量检索、混合检索、重排、分块策略、路由、过滤；
   • 能自己手写一个最小版本，而不是直接套 LangChain；
   • 知道怎么评估：召回率、问答准确率、幻觉、延迟；
   • 知道生产痛点：长上下文、代价、缓存、多文档、版本管理。 推荐：先用原生 sentence-transformers + FAISS 手写最小 RAG，再去看 LangChain / LlamaIndex，理解它帮你封装了什么。
2. 然后再上 Agent：工具调用、规划、记忆 不要一上来就堆很多工具。经典范式：ReAct、Plan-and-Solve、Reflexion、Multi-agent。 重点：
   • 理解 function calling 的本质、失败场景、怎么做校验；
   • 记忆分层：短期上下文、长期向量记忆、反思记忆；
   • 评估是重中之重：很多人做 Agent，只有 demo，没有量化评估，面试非常减分。你要做简单 benchmark：比如 GSM8K、HotpotQA，或者自己构造任务集。
   • 结合你导师方向：尽量往「具身」靠！比如让 Agent 做机器人任务规划、环境交互、工具执行闭环。这个点是你区别于普通 RAG 选手最大的亮点。
3. 工程化能力
   • 异步、接口封装、简单后端（FastAPI）；
   • 部署、流式输出、简单压测；
   • 日志、链路追踪、错误重试；
   • 如果有余力：vLLM / SGLang，理解怎么高效调用模型、批处理、缓存。 很多 AI 应用岗面试，非常看重：能不能把一个 idea 变成稳定可调用的服务，而不是只有 notebook。

第二层：模型原理（用来面试，理解，不要求你训大模型）

就是你计划里的 CS336 + 从头搭模型。

我的建议：

• 作业一：从头搭建小模型，保留，但降低预期。不是要你做出一个能打比赛的基座，而是实现一个小 Decoder-only Transformer，理解预训练、采样、KV Cache、RoPE、FlashAttention 的思想。这个项目适合放在简历上，证明你不是只会调包。
• CS336：优先看 Lecture，挑和推理、KV Cache、采样、对齐、高效推理相关部分；训练分布式、大规模数据部分可以粗略看。
• 如果时间紧张：可以先用 nanoGPT /minGPT 这条线打底，再去啃 CS336，压力小很多。

面试高频：KV Cache、连续批、采样策略、幻觉来源、长度外推、模型量化，这些比完整训练流程更常考应用岗。

第三层：计算机基础（长线，碎片化补，不要占用项目黄金时间）

你现在在看小林 Coding，非常合适，但不要一口气硬啃全套，按岗位需求挑。

AI 应用 / Agent 岗面试，基础优先级：

1. 操作系统：进程、线程、协程、IO 多路复用、缓存、内存、页表（小林重点啃这几块）；
2. 计算机网络：HTTP、TCP、长连接、流式、gRPC、限流；
3. 数据结构 & 算法：不是要刷到 ACM，但是 Leetcode 简单–中等，高频题：数组、链表、栈、队列、二分、滑动窗口、DFS/BFS、动态规划基础。实习面试算法题不会特别难，但不能完全写不出；
4. 编译原理、组成原理：放到最后，有余力再看，应用岗很少深挖。

节奏：每天 30–60 分钟碎片时间看小林 + 刷几道题；主线时间全部留给项目和模型。不要出现：一整天都在啃操作系统，项目停滞。

第四层：拓展（有空再碰）

多模态、具身相关论文、仿真环境、机器人交互；这部分是你的差异化，适合在导师方向上慢慢积累，作为面试时的加分话题，而不是实习前的紧急任务。

三、项目设计：不要 “vibe 一个 agent”，要做成可面试版本

“vibe 出来的 demo” 和 “面试能讲的项目” 差距巨大。给你一个适合你的项目组合，一共两个主项目，不要搞一堆零散小 demo。

原则：少而深，每个项目都要有：动机、方案、实现、对比实验、评估、痛点、改进方向。

项目 A（核心，主打，绑定你的方向）：面向具身任务的 Agent 系统

• 任务：比如，给定环境描述，Agent 做任务规划、调用仿真工具、校验执行结果、反思修正；
• 你可以不用真机器人，用仿真环境 /textworld/ 简单自定义环境；
• 链路：检索（任务知识库）→ 规划（ReAct）→ 工具调用 → 结果校验 → 反思记忆；
• 亮点：对比不同规划策略、评估失败模式、做失败重试；
• 如果导师这边有数据集、仿真平台，直接蹭，把这个项目和课题组方向绑定，面试的时候可以说：这是我在组内预研的方向。

项目 B（证明底层能力）：从头实现一个小 Decoder Transformer + 推理优化

• 不用百万级训练；在小数据集上预训练；
• 重点：实现 KV Cache、不同采样、简单量化；
• 面试可以用来证明：你理解 Transformer，不是只会调用 LangChain。

配套小项目（可选）：一个工业风格 RAG，带混合检索、重排、评估、FastAPI 接口。

每个项目都要有 GitHub，清晰 README，跑通文档，最好有 Demo（Hugging Face Spaces / Gradio）。README 里一定要写清楚：你遇到了哪些坑，做了哪些对比，为什么这么选，而不是只贴结果图。

四、时间规划（适配你：研一放养，下学期找实习）

假设目标：下学期（大概 3–6 月）投递暑期实习。

• 现在到寒假结束：主线是 RAG + 手写最小模型 + 开始第一个 Agent 版本；同步碎片时间补 OS、网络、刷题；
• 寒假：把两个核心项目跑通，补评估，整理 GitHub，开始整理面试提纲；
• 开学到投递期：迭代项目、补面试高频、看面经、投简历，同时把 CS336 的关键部分过完；
• 如果投递时间靠前，就优先压缩 CS336 和底层课，优先保证项目可展示。

一个非常重要的点：你导师放养反而是机会，但要主动绑定。 你可以主动找导师聊：你打算做具身 Agent、LLM planner，问有没有数据集、仿真环境、论文方向，哪怕只是让你读组内相关论文，都可以把项目从 “个人玩具” 变成 “科研预研”，含金量高一大截。

五、面试准备重点（针对 Agent / AI 应用岗）

除了常规深度学习、Transformer，面试官最爱问：

• RAG：分块策略、召回失败、幻觉、怎么评估、什么时候不用 RAG；
• Agent：什么时候用 ReAct，什么时候用 Plan-then-Execute，function calling 的失败 case，怎么做校验；
• KV Cache、推理延迟、批处理、vLLM 的原理；
• 工程：并发、流式、缓存、如何控制成本；
• 你项目里：为什么选这个方案， ablation 怎么做，失败样本是什么，下一步打算怎么改进；
• 如果问到具身：怎么把 LLM 的抽象规划和环境执行之间的 gap 补上。

算法题：以中等难度为主，不需要 hard，但是要熟练，写的时候不要太卡壳。

六、几个避坑提醒

1. 不要为了 “学精” 而无限拖延产出。很多人卡在：我先把所有原理看懂，再动手做项目。正确顺序：边做项目，遇到卡点再回去补原理。
2. 不要同时追太多框架。LangChain、LlamaIndex、Haystack 挑一个吃透，剩下的了解即可；面试更看重手写能力，而不是你会多少封装库。
3. 不要把 “从头搭大模型” 当成实习的救命稻草。如果面试官是应用岗，他更关心你能不能稳定做一个智能体系统，而不是你能不能训一个小模型。
4. 电子信息转码，不用强行补齐所有本科 CS 课。你不是要去做内核、做编译器；是补齐岗位刚需部分，剩下的在工作里慢慢补。
5. 如果投递之后，发现 Agent 岗竞争远大于预期，可以准备一个备选方向：大模型侧的后端、推理工程（vLLM、推理服务），这个方向对你同样友好。

七、精简版路线速记

主线： Python / PyTorch / Transformer 基础 → 手写原生 RAG + 评估 → ReAct / Agent 规划 + 工具调用 → 结合具身任务做完整 Agent 项目 → 手写小 Decoder（带 KV Cache）→ 工程封装、部署、评估 → 面试投递

并行支线（碎片时间）： 小林coding（OS/网络）+ Leetcode 中等题 + CS336（推理、采样、KV Cache）

差异化王牌：

你的 Agent 不是通用问答 Agent，而是面向具身交互、任务规划的智能体；这个方向现在工业界、实验室都很缺，刚好踩在你导师方向上，是普通转码选手很难复制的。

研一至暑期实习 24 周学习时间表

整体时间框架与关键节点

以研一上学期 11 月初为第 1 周起点，覆盖期末、寒假、研二开学初，完全匹配互联网暑期实习招聘节奏（3 月开启提前批 / 正式批，4-5 月集中面试，6 月发 offer）。

阶段	周数	时间范围	核心目标
基础落地期	第 1-6 周	11 月 - 12 月中旬	知识点落地为可运行代码，确定技术栈，对齐导师方向
项目攻坚期	第 7-14 周	12 月下旬 - 2 月中旬（寒假黄金期）	完成 2 个核心项目，产出简历初稿
面试备战期	第 15-20 周	2 月下旬 - 4 月初	项目升级亮点，搭建面试知识体系，完成算法题冲刺
投递面试期	第 21-24 周	4 月 - 5 月	批量投递、以战养战、收割 offer

每周时间分配建议：主线项目与核心技术占 60%，CS 基础 + 算法题占 25%，拓展学习占 15%；预留 1-2 天弹性时间应对课程、组会等突发事务。

---

第一阶段：基础落地与方向锚定（第 1-6 周）

核心原则：先做出来，再谈学精，把零散的理论知识转化为可运行的代码，避免无限 “看课囤资料”。

第 1 周：原生 RAG 最小实现 + CS 基础启动

• 主线任务
  1. 不依赖 LangChain/LlamaIndex，用原生 Python + sentence-transformers + FAISS 手写最小 RAG 系统，跑通「文档加载→文本分块→向量化→检索→大模型生成回答」完整链路
  2. 记录 RAG 核心痛点：分块大小对效果的影响、检索不准的场景、幻觉的来源
• 支线任务
  1. 小林 coding・操作系统：进程与线程、内存管理基础（每天 40 分钟）
  2. LeetCode：数组、链表高频简单题，每天 1-2 道
• 本周验收：本地可运行单文档 RAG demo，输入问题能返回带引用片段的答案

第 2 周：RAG 深化 + Transformer 细节复盘

• 主线任务
  1. 给手写 RAG 升级：加入 BM25 稀疏检索、混合检索、轻量重排模型（bge-reranker）
  2. 做对比实验：测试 3 种不同分块策略、2 种检索方式的召回率，量化记录结果
  3. 复盘 Transformer 核心细节：自注意力计算、Decoder 结构、位置编码的作用
• 支线任务
  1. 小林 coding・操作系统：IO 模型、进程间通信
  2. LeetCode：栈、队列、哈希表题型，每天 1-2 道
• 拓展加餐：CS336 Lecture1-2，了解大模型发展与数据处理基础
• 本周验收：RAG 支持混合检索 + 重排，有至少 3 组对比实验数据

第 3 周：Agent 基础入门 + 对接导师方向

• 主线任务
  1. 手写最简 ReAct Agent：基于大模型 API 实现「思考→行动→观察」闭环，支持 2-3 个基础工具（计算器、简单搜索）
  2. 主动和导师沟通：说明自己深耕具身 Agent 的规划，询问组内有无仿真环境、数据集、相关论文可对接
• 支线任务
  1. 小林 coding・计算机网络：HTTP、TCP 基础
  2. LeetCode：二分查找、滑动窗口基础题
• 拓展加餐：精读 SayCan、PaLM-E 等具身 Agent 经典论文的核心思想
• 本周验收：ReAct Agent 可完成单轮工具调用任务；与导师完成 1 次方向对齐沟通

第 4 周：Agent 记忆机制 + 小模型项目启动

• 主线任务
  1. 给 Agent 增加分层记忆：短期对话上下文记忆 + 长期向量记忆
  2. 启动副项目：基于 PyTorch 从零实现最简 Decoder-only Transformer，完成前向推理逻辑
• 支线任务
  1. 小林 coding・操作系统：文件系统、系统调用
  2. LeetCode：DFS/BFS 基础题
• 拓展加餐：CS336 Lecture3，深入 Transformer 架构细节
• 本周验收：Agent 具备多轮对话记忆能力；小 Decoder 可完成简单文本生成

第 5 周：工程化入门 + 推理优化

• 主线任务
  1. 用 FastAPI 把 RAG 系统封装成 HTTP 接口，支持流式输出
  2. 给手写小 Decoder 增加 KV Cache 推理优化，对比优化前后的生成速度
• 支线任务
  1. 小林 coding・计算机网络：HTTPS、WebSocket、长连接
  2. LeetCode：动态规划入门（爬楼梯、背包基础）
• 拓展加餐：了解 vLLM 核心原理与基础使用
• 本周验收：RAG 接口可通过 Postman 正常调用；KV Cache 优化前后有明确的速度对比数据

第 6 周：阶段复盘 + 第一版项目整合

• 主线任务
  1. 整合 RAG + ReAct Agent，实现带检索增强的工具调用 Agent
  2. 整理第一版 GitHub 仓库，编写规范 README（包含架构、运行方式、效果说明）
  3. 阶段复盘：梳理知识盲区，调整后续学习重心
• 支线任务
  1. 操作系统 + 网络基础一轮复盘，绘制核心知识点思维导图
  2. 参与 1 次 LeetCode 周赛，感受做题节奏
• 本周验收：有完整的检索增强 Agent demo；GitHub 仓库结构清晰可复现

---

第二阶段：核心项目攻坚（第 7-14 周，寒假黄金期）

这是提升简历含金量的关键窗口期，没有课程干扰，全力产出两个核心项目：具身方向主项目（差异化核心）+ 手写小模型副项目（证明底层能力）。

第 7 周：期末调整 + 主项目方案设计

• 主线任务
  1. 结合导师提供的资源，确定具身 Agent 主项目选题（推荐方向：仿真环境家居任务规划 Agent、多步骤具身任务执行与反思系统）
  2. 输出完整项目设计文档：整体架构、模块划分、评估指标、技术选型
  3. 搭建项目基础框架与运行环境
• 支线任务：期末复习间隙保持每天 1 道算法题，维持手感
• 拓展加餐：CS336 Lecture4-5，了解模型训练与优化基础
• 本周验收：项目设计文档定稿；开发环境与依赖全部就绪

第 8 周：主项目开发 1 — 规划与工具执行层

• 主线任务
  1. 实现具身任务规划模块：同时支持 Plan-then-Execute、ReAct 两种规划范式
  2. 封装仿真环境 / 工具集的调用接口，实现动作执行与环境结果反馈
  3. 跑通单任务的「规划→执行」基础闭环
• 支线任务
  1. 小林 coding・操作系统：调度算法、死锁
  2. LeetCode：树、图基础中等题，每天 1 道
• 拓展加餐：精读 3 篇具身规划方向的顶会论文，提炼核心方法
• 本周验收：Agent 可在仿真环境中完成简单单步骤任务

第 9 周：主项目开发 2 — 记忆与反思机制

• 主线任务
  1. 加入失败反思模块（Reflexion）：任务执行失败后自动分析原因、修正规划并重试
  2. 实现长期技能记忆：将成功的任务流程存入向量库，相似任务可直接复用
  3. 构建测试任务集：设计 10-20 个不同难度的多步骤具身任务
• 支线任务
  1. 计算机网络：RPC、gRPC 基础
  2. LeetCode：动态规划、贪心中等题
• 本周验收：Agent 可完成多步骤复杂任务；具备失败自我修正能力

第 10 周：主项目评估体系搭建

• 主线任务
  1. 定义核心评估指标：任务成功率、平均执行步数、规划准确率、重试次数
  2. 完成消融实验：对比「不同规划策略」「有无记忆模块」「有无反思机制」的效果差异
  3. 分析典型失败案例，总结项目核心瓶颈
• 支线任务
  1. 按题型分类刷算法高频题，每天 1-2 道
  2. CS336 Lecture6-7，了解对齐与 RLHF 基础
• 本周验收：输出完整实验对比表格；至少 3 组变量的消融实验结果

第 11 周：副项目深化 — 小模型训练与优化

• 主线任务
  1. 在小数据集（WikiText / 垂直语料）上完成小 Decoder 模型的预训练
  2. 实现多种采样策略：贪心搜索、温度采样、Top-k、Top-p
  3. 加入简单 INT8 量化，对比推理速度与生成效果的变化
• 支线任务
  1. 算法题：字符串、双指针专项
  2. 深入理解 vLLM 连续批处理的核心原理
• 本周验收：训练出可生成通顺文本的小模型；有采样策略 / 量化的对比数据

第 12 周：项目工程化与 Demo 制作

• 主线任务
  1. 给主项目做可视化 Demo（Gradio/Streamlit），直观展示任务规划、执行、反思的全过程
  2. 两个项目代码重构：模块化拆分、补充注释、增加异常处理与日志
  3. 完善两个仓库的 README，补充原理说明、实验结果、复现步骤
• 支线任务
  1. 算法题：链表、树的中等题专项
  2. 补数据库基础：索引、事务、常见 SQL
• 本周验收：两个项目均有可运行的可视化 Demo；代码规范可复用

第 13 周：简历初稿 + 面试素材整理

• 主线任务
  1. 撰写简历初稿，重点突出两个项目，用量化数据体现成果（如 “任务成功率提升 32%”“推理速度优化 40%”）
  2. 按 STAR 法则整理每个项目的面试话术：背景、任务、动作、结果、难点、优化方向
  3. 准备技术高频问题的标准化答案
• 支线任务
  1. 第一轮算法题复盘，整理错题本
  2. CS 基础一轮总复盘
• 本周验收：简历初稿完成；每个项目都有完整的 3 分钟讲解话术

第 14 周：寒假收尾 + 阶段复盘

• 主线任务
  1. 优化项目细节，最终版 GitHub 仓库收尾
  2. 模拟 1 次完整的自我介绍 + 项目讲解，计时 3 分钟
  3. 制定开学后的投递与面试计划
• 支线任务：保持每天 1 道算法题，维持手感
• 拓展加餐：看 3-5 篇最新面经，了解面试流程与侧重点
• 本周验收：两个项目最终版定稿；简历可直接用于投递

---

第三阶段：面试备战与项目打磨（第 15-20 周，研二开学）

核心目标：升级项目差异化亮点，系统搭建面试知识体系，完成算法题冲刺，迎接投递高峰期。

第 15 周：项目亮点升级

• 主线任务
  1. 给主项目增加差异化亮点二选一：
     • 多智能体协作：规划 Agent + 执行 Agent + 校验 Agent 分工完成任务
     • 领域知识增强：给具身 Agent 接入领域知识库，用 RAG 提升规划合理性
  2. 确保项目和普通教程项目有明确区分，突出个人思考与创新
• 支线任务
  1. 算法题二轮刷：高频中等题，每天 2 道
  2. 深度学习基础复盘：反向传播、优化器、正则化、泛化
• 拓展加餐：关注暑期实习提前批开启信息，收集内推渠道
• 本周验收：项目有明确的个人创新点，而非纯教程复刻

第 16 周：面试知识体系 — 大模型基础

• 主线任务
  1. 系统整理大模型高频面试题：Transformer 细节、位置编码、KV Cache、采样策略、模型量化、推理优化
  2. 结合自己的手写小模型项目，把每个知识点落地到自身实现中
  3. 二刷 CS336 核心章节（推理、优化、对齐）
• 支线任务
  1. 算法题：图、动态规划中等题专项
  2. 整理操作系统高频面试题
• 本周验收：形成自己的大模型面试知识点笔记

第 17 周：面试知识体系 — RAG 与 Agent

• 主线任务
  1. 整理 RAG 全链路面试题：分块策略、检索优化、重排、评估指标、生产环境痛点
  2. 整理 Agent 面试题：规划范式对比、记忆分层、工具调用失败处理、评估方法、落地难点
  3. 准备项目高频问题：“遇到的最大难点”“做了哪些优化”“如果重来会怎么改进”
• 支线任务
  1. 整理计算机网络高频面试题
  2. 每周复盘算法错题
• 本周验收：RAG+Agent 面试题库整理完成，可流畅回答核心问题

第 18 周：算法冲刺 + 第一次模拟面试

• 主线任务
  1. 刷完算法高频 100 题，确保中等题能在 20 分钟内独立写出
  2. 找同学 / 网友进行 1 次完整模拟面试，全程录音
  3. 根据模拟面试结果，列出知识盲区清单
• 支线任务
  1. 复盘所有 CS 基础知识点
  2. 准备行为面试问题（自我介绍、优缺点、职业规划）
• 本周验收：完成 1 次完整模拟面试；输出查漏补缺清单

第 19 周：查漏补缺 + 投递准备

• 主线任务
  1. 针对模拟面试暴露的漏洞，针对性补全知识点
  2. 制作 2 版简历：分别适配「Agent 算法岗」和「AI 应用开发岗」
  3. 注册各大招聘平台，更新简历，整理目标公司与岗位清单
• 支线任务
  1. 每天 1 道算法题保持手感
  2. 关注目标公司招聘动态，标记开启时间
• 本周验收：简历最终版完成；投递渠道与岗位清单就绪

第 20 周：预热投递 + 状态调整

• 主线任务
  1. 投递 3-5 家中小厂 / 非核心岗位，练手积累面试经验
  2. 每次面试后当天复盘，整理问题与答案
  3. 最后一次优化项目，确保所有 Demo 可正常运行
• 支线任务：每天复习核心知识点，保持面试状态
• 本周验收：完成首批投递；有 1-2 次真实面试经验

---

第四阶段：集中投递与面试复盘（第 21-24 周）

核心原则：以战养战，通过面试快速发现短板，边投边补，不追求 “完全准备好再投递”。

第 21 周：大厂集中投递

• 主线任务
  1. 集中投递目标大厂与优质 AI 创业公司的暑期实习岗位
  2. 每场面试当天复盘，补充对应知识点
  3. 根据面试反馈，反复打磨项目讲解话术
• 支线任务：每天 1-2 道算法题保持手感
• 本周验收：投递 10 + 家公司；每周 3-5 场面试

第 22 周：面试高峰期

• 主线任务
  1. 提前调研每场面试的公司、部门、业务方向，针对性准备
  2. 建立面试台账：记录每家公司的进度、面试问题、自我评价
  3. 针对高频出现的薄弱点，进行集中突破
• 支线任务：碎片化复习核心知识点，调整作息保持状态
• 本周验收：面试节奏稳定；表达与应变能力明显提升

第 23 周：offer 评估与补录投递

• 主线任务
  1. 梳理已拿到的 offer，从方向匹配度、部门实力、转正机会等维度评估
  2. 针对心仪但未开启流程的公司，继续投递或尝试内推
  3. 复盘整个招聘季的得失
• 支线任务：补充学习目标岗位的业务知识
• 本周验收：至少 1 个 offer 在手；有明确的选择优先级

第 24 周：收尾与后续规划

• 主线任务
  1. 确认最终 offer，办理实习相关手续
  2. 制定实习前预习计划，针对性补充目标部门的技术栈
  3. 复盘整个学习周期，沉淀方法论
• 本周验收：敲定暑期实习 offer；明确实习前的准备方向

---

执行原则与调整建议

1. 优先级铁则：项目产出 > 算法题 > 原理课程 > CS 基础课。永远优先保证每周有可运行的代码产出，不要沉迷看课囤资料。
2. 弹性调整：每周预留 1-2 天缓冲时间，任务未完成时优先砍掉拓展内容，保证主线进度。
3. 导师资源最大化：每 2-3 周和导师同步一次进度，尽量争取组内的数据集、算力、项目资源，把个人项目升级为组内预研项目，简历含金量翻倍。
4. 拒绝完美主义：项目先跑通最小可用版本，再迭代优化，不要一开始就追求极致架构。
5. 坚持差异化：始终紧扣 “具身 Agent” 方向，不要做成通用问答 Agent，这是你区别于绝大多数转码选手的核心壁垒。