招新方向¶

以下是凌睿工作室六大招新方向的介绍。这些方向能帮你找到同行者和学习路线，但不会限制你以后做什么。

我该如何选择方向¶

建议以兴趣为准，不要太早就功利性地去看待问题。要知道，兴趣是最好的老师，你只凭努力是追不上那些既有兴趣又努力的人的。此外，无论什么方向，只要你做到了顶尖，那绝对都是别人抢着要的。一轮的题目还比较简单，我们推荐你在一轮的时候多尝试不同的方向，看看自己对哪些感兴趣。

如果你想同时参与多个方向的招新当然也没有问题，只是你要注意，各方向选择最终通过名单的时候是只看你在该方向的表现的，一个方向做到最好优于多个方向做得一般。这是为了考察你深入学习一个方向的能力。

底层（Core）¶

26 招新负责人： @Fuxi @EarthCloud

对大二同学政策：无特殊要求，与大一新生一起参与一二轮笔面试

这里的“底层”是个相对概念，泛指那些更靠近操作系统、编译器、网络和硬件的软件。虽然今天看起来，大部分程序员在平时的工作中都很少直接接触这些底层知识，但这并不意味着底层与日常开发无关——要么是因为你每天都工作在很高的抽象层次上，底层机制已经被框架和系统封装起来了；要么是因为你还没有接触操作系统、数据库、网络等更贴近系统的软件领域。像是 fork、Copy-On-Write、I/O 多路复用这样的机制，早已被操作系统、运行时和各种框架广泛使用。即使你平时不直接调用它们，也会通过所使用的语言、框架和服务间接接触到它们。理解存储器的层次结构，知道 CPU、缓存、内存、硬盘、网络等不同层次之间速度的巨大差异，就能理解很多系统软件设计的初衷。

经常听程序员说一句半开玩笑的话：“代码能跑就别动”。但当我们被太多抽象和所谓的框架包围时，底层的工作机制依然是支撑它们的基础，所以最好还是能够“知其所以然”，主动修炼内功。正所谓“勿以浮沙筑高台”，理解计算机系统底层的工作原理，可以帮助我们更正确、高效、安全地使用计算机系统提供的资源，写出更加健壮的代码，也能提高定位和调试问题的能力。

这个范围很大，C 和 C++ 用得多，却装不下整个方向。Rust、Go、Python、汇编、CUDA 和各种领域语言也会出现在实际项目里。语言只是手里的工具，这些语言背后反复出现的内存、并发、I/O、网络协议、编译过程和性能分析才是重点。为了减轻新生学习语言的压力，我们将在招新全程使用 C 语言，进入工作室之后再依据自己的兴趣学习不同的领域和不同的语言。

大家平时在做什么

底层岗位散落在许多行业里，名字也未必带“底层”二字。

领域	常见工作	可能接触的技术栈
AI Infra	算子、AI 编译器、训练与推理框架、集群调度	PyTorch、Triton、vLLM
操作系统与虚拟化	内核、驱动、文件系统、容器运行时、虚拟机	Linux kernel、QEMU
数据库、检索与存储	存储引擎、索引、事务、查询优化、向量检索与在线召回	OceanBase、TiDB、Elasticsearch、Faiss
网络与分布式	网络协议、高性能 RPC、消息队列、分布式存储	Linux 网络栈、brpc、Kafka、Ceph
编译器	前端、优化器、代码生成、静态分析、调试工具	LLVM、MLIR、Clang、GCC
高性能计算	并行算法、科学计算、异构计算、性能工程	OpenMP、MPI、CUDA
智驾与具身系统	车载与机器人中间件、实时通信、传感器数据处理、端侧推理与异构计算	ROS 2、Cyber RT、Autoware、Isaac ROS
低延迟交易系统	行情接入、交易引擎、低延迟网络、内核旁路与性能优化	DPDK、RDMA、Linux kernel tuning

AI 时代为什么更需要底层

现在的大模型很容易让人只看见算法和应用。模型真正跑起来以后，硬件利用率、显存占用、通信开销和响应延迟都会变成实打实的成本。一次训练可能跨过成百上千张加速卡，一次在线推理还要同时照顾吞吐量和用户等待时间。模型结构相同，系统实现不同，最终成本可能差出很大一截。

这就是近几年很火的 AI Infra。它位于模型和硬件之间，让模型训得动、跑得快，也让服务能稳定接住真实流量。

拿 PyTorch 的 torch.compile 举例。它会尝试捕获 Python 程序中的计算图，再把图交给编译器生成优化后的计算内核。TorchInductor 在 GPU 上会使用 Triton 等技术生成代码。用户可能只加了一行 torch.compile，下面已经经过图捕获、算子融合和代码生成等环节。这里既有机器学习框架，也有很传统的编译原理与体系结构问题。

大模型给底层方向带来了新的工作场景，但所需的基本功仍然很朴素。缓存命中率为什么低，数据搬运花了多久，线程有没有争用，网络是否堵住，浮点误差从哪里来，这些问题最终都要靠测量和分析回答。想做 AI Infra，可以先把 C/C++、操作系统、计组和网络学扎实，再补并行计算与机器学习基础。

我们想怎样建设底层方向

底层是 2026 年凌睿新开的方向，大家基本都是从其他方向转过来的。现有底层成员中，@Fuxi 在深耕操作系统内核、网络与低延迟；@EarthCloud 专注操作系统内核与嵌入式系统；另外还有五六位成员在研究 AI Infra；前文提到的几个领域或多或少也都有成员涉猎。

你可能觉得这个方向太宽泛了，某种程度上确实，“底层”看似高级，实际上我们更关注的仍然是计算机基础。把计算机基础学好了，再去学任何一个细分领域都是自然而然的事。甚至，在找实习时，只要你有良好的 C++、OS 等基础，都不需要有某领域的专业知识，很多大厂的岗位也能很容易进去。

凌睿底层方向应该有以下几大特色：第一，我们鼓励参与算法竞赛。操作系统、网络、数据库等系统项目都需要数据结构与算法，复杂度和实现效率上的问题，经过高频调用或大规模数据处理后，往往会十分显著地影响上层应用的性能；第二，我们鼓励参加计算机系统能力大赛等底层方向竞赛，以此来锻炼同学们的实际工程能力（在工作室中组队可比随便找人要靠谱）；第三，我们鼓励开源，@Fuxi 与 @EarthCloud 都在积极参与中科院开源之夏/腾讯犀牛鸟开源人才培养计划等开源活动，借此机会参与到成熟企业级基础设施的开发中无疑是收获巨大的，并且也非常有利于就业；第四，学好计算机基础之后学校的计算机专业课对你来说就很简单了，课内拿到高分也会比较容易……

如何入门

首先就是最重要的 C 语言，你可以在 C 语言教程中了解 C 在编程世界里的地位，并跟随教程学习 C 语言基础。当然，夏令营的 IDE、Git、Linux 等内容也很重要。
其次，《深入理解计算机系统》第 3 版将是你在底层方向的必读书籍，正式招新后的主要参考教材就是它。它会教你基本的计算机体系结构、数据与程序的二进制表示、汇编语言、程序编译与链接的过程、并发编程等等一系列的内容。招新群和网络上有电子版资料。
最后，学会自己动手查资料。底层方向的知识面很广，我们可能会经常见识到不太熟悉的知识点，我们不可能把每一个知识点都掰开了揉碎了喂给你，你需要学会使用搜索引擎、找高质量的博客/知乎文章/技术文档来自行学习。

前端（Frontend）¶

26 招新负责人： @QwQe308

对大二同学政策：参与大二笔试与面试

前端一般指 Web 前端，即各个浏览器页面显示的内容与功能。前端方向侧重于信息的显示与排布，用户的交互效果，以及页面美观设计的实现。这是一门看着浅实际很深的学问：在项目有十几个页面时，如何保证项目的流畅性与代码的可维护性？如何让用户在分辨率不同时仍然有良好的视觉效果与交互效果？各个浏览器存在一定差异，如何保证一个页面在不同环境下仍能正常工作？这些就是前端方向需要面对的问题。

事实上，广义上的前端并不限于网页。Electron 可以使用 Web 技术构建跨平台桌面应用，React Native 等方案可用于移动端开发，微信小程序也采用了与 Web 前端相近的界面开发模式。

前端相对于其他方向的特点

即时反馈：前端注重于可视化，写出的代码可以迅速成为直接可以看到并且操作的界面。
基础知识易学：前端的基础语言比较简单，学习成本较低，容易上手，不过后续面对较大的工程项目仍然存在一定难度。
较低的算法压力：前端一般不涉及复杂的算法，平常业务也很少需要实现复杂算法。不过如果是编写游戏或者需要渲染较多复杂元素/动画等性能要求较高的页面时，仍然是有一定算法需求的。
需要一定设计能力：在没有 UI 设计师帮助的情况下，可能需要自己完成界面的设计与动画的设计。
需要一定的耐心：前端需要精密调节各个元素的位置，各个按钮的反馈动画等，同时需要反复测试每个元素的效果，需要一定的耐心处理各种细节问题。

前端都学什么

部分人对前端的理解局限于 HTML、CSS 和 JavaScript。这些语言其实只是前端最基础的语言，也是我们招新过程中主要使用的。我们希望大家先理解浏览器如何呈现页面、样式如何生效，以及用户操作如何驱动页面变化。

掌握这些基础后，我们会进一步接触 Vue、React 等组件化开发工具，以及在 JavaScript 基础上提供静态类型检查的 TypeScript。它们能够帮助开发者拆分和复用界面组件，更清晰地管理数据与页面状态，并在编码阶段就直接发现一部分潜在错误。当项目规模逐渐扩大、参与人数增多时，合理使用这些工具可以降低维护和协作成本，使代码结构更加清晰。

有 AI 后为什么还需要前端

就目前而言，前端还不能被 AI 取代。AI 更多的是成为了我们前端的一个工具，用于快速完成整体结构的布局，以及完成部分重复工作。很多代码仍然需要人来进行核查，界面需要人来进行核对，漏洞需要人来进行测试。更重要的是，AI 给前端提出了更高的需求。随着 AI Agent 的流行，让页面接入 Agent 的任务也被提出；流式传输 AI 思考过程，对 AI 特定的输出进行可视化等需求也自然产生。如果仅把 AI 写出的代码作为黑箱，那么安全性等问题也面临巨大考验。前端语言也因为其较高的适配能力参与到多种 Agent 的 Harness 工程之中，如 Claude Code 使用了大量的 TypeScript 代码。可以说，AI 在减少了前端的任务之后，也提供了更大的考验。具有丰富制作经验的前端工程师仍然是比较稀缺的人才。

一些前端的奇怪小东西

var KICKASSVERSION='2.0';var s = document.createElement('script');s.type='text/javascript';document.body.appendChild(s);s.src='https://hi.kickassapp.com/kickass.js';void(0);

试试在浏览器按 F12 打开控制台，在控制台输入这串指令，然后按下 Enter，用方向键和空格键毁灭你的页面吧 (x)

该代码源于 https://kickassapp.com/，通过该界面可以将其加入书签快速启动

产品（Product）¶

“You've got to start with the customer experience and work backwards to the technology.”

“你必须从用户体验出发，再倒推需要什么技术。”

—— Steve Jobs, WWDC 1997

26 招新负责人： @yyyyyy（QQ：3247412027）
对大二同学政策： 无特殊要求，与大一新生一起参与一二轮笔面试

什么是产品（PM）方向

产品（PM）方向，简单来说，就是负责想清楚：“我们要做什么，为什么做，以及怎么让用户愿意用。”开发更关注“怎么实现”，设计更关注“怎么好用、好看”，而产品更关注用户到底需要什么、哪些功能值得做、先做什么、做完有没有效果。所以产品经理有点像一个“连接器”，把用户、技术和业务连在一起，再把一个模糊的想法一步步变成真正能用的产品。

一句话概括就是：产品方向，就是研究“什么东西值得做，以及应该把它做成什么样”。

AI 时代，产品反而变得更有意思了

你可能已经看过类似的新闻：仅仅一句提示词，AI 就能让一个小游戏“跃然纸上”；仅仅几轮对话，AI 就能帮你搭出一个网站原型；仅仅一个想法，AI 就能把它一步步变成一个可以运行的 Demo……这意味着，AI 正在不断降低“把东西做出来”的门槛。但当“怎么做”变得越来越容易，一个更重要的问题也随之出现：

我们到底应该做什么？

当大家都能更快地做出东西时，真正拉开差距的，反而是：你能不能发现一个值得解决的问题，能不能理解用户真正需要什么，能不能判断一个功能到底有没有价值，而这些恰恰是产品经理最核心的工作。因此，AI 并没有让产品岗位消失，反而催生了很多新的机会。现在已经出现了 AI 产品经理、Agent 产品经理、AI 平台产品经理等新岗位，越来越多传统产品也开始加入 AI 功能。

同时，作为互联网行业中典型的非研发岗位之一，PM 的薪资也相当有竞争力。截至 2026 年 8 月，Levels.fyi 的中国区自报薪酬数据显示，字节跳动产品经理年总包中位数约 74 万元。其中 2-2 级平均约 58 万/年，3-1 级约 98 万/年，3-2 级平均约 148 万/年；个别 3-2 级样本年总包超过 220 万元。（当然，这些数据包含不同工作年限和职级。）

也就是说，产品依然是互联网行业里待遇很有竞争力的方向，而懂 AI、懂技术的产品经理，正在变得越来越吃香。

产品需要懂技术吗

需要，但不一定要求你成为最强的程序员。

产品经理并不需要替开发写代码，但如果完全不了解技术，很多问题其实很难判断。例如，一个 AI 功能究竟是调用 API 就能实现，还是需要重新训练模型？一个需求到底只是改一个页面，还是会牵涉数据库结构和后端架构？为什么实时协作比普通表单复杂很多？为什么一个看起来很简单的功能开发要两周？如果不了解这些东西，产品很容易提出一些脱离实际的方案。反过来，技术背景也是我们做产品非常大的优势。你不一定需要熟练掌握所有框架，但至少应该逐渐理解软件是怎样运行起来的，前后端怎样通信，数据库怎样保存数据，AI 模型能做什么、不能做什么。更进一步，如果你能够自己写一点代码、调 API、分析数据，那么很多时候甚至不需要等完整开发团队，就可以先把自己的想法验证出来。

因此并不是说“因为不想写代码所以做产品”。产品不是逃避技术的方向，而是站在技术、用户和业务之间解决问题的方向。

我们的产品方向

1. 我们的招新更看重“做产品”，而不是背产品术语。

在招新过程中，你会真正经历一些产品经理常见的工作：从一个问题出发，分析用户需求、思考解决方案、设计产品功能，再把自己的想法画成原型并讲清楚为什么这样设计。我们不会要求刚入学的你掌握多少“专业名词”，更希望看到的是：你能不能发现问题、想清楚问题，并把一个模糊的想法逐渐变成一个具体的产品方案。所以，即使你以前从来没有接触过产品，也不用担心。招新的过程本身，就是一次最简单的产品实践：发现问题 → 设计方案 → 画出原型 → 展示并完善自己的想法。

2. 选择凌睿产品，在培养产品思维的同时，也尽量保持自己的技术能力。

工作室本身就是一个技术社区，产品同学会有很多机会和前端、后端、ML 等方向的同学一起组队做项目、参加比赛。我们希望大家不仅会写需求、画原型，也能真正理解一个产品是怎么被做出来的；如果感兴趣，也完全可以自己学一点前端、Python、AI 等技术，借助现在的 AI 工具亲手把想法变成 Demo。懂产品，也懂一点技术，会是凌睿产品方向很重要的特色。

3. 不管是就业党还是保研党，PM 方向都非常欢迎。

如果是保研党，我们也会尽可能地为大家的保研之路提供帮助，包括课内学习、竞赛、科研、项目经历和经验分享等。尤其是未来想从事 AI 产品等方向的同学，更高的学历和科研经历也能带来更多选择。如果是就业党，产品方向的学姐们也有丰富的实习、面试和项目经验，可以帮大家修改简历、模拟面试、复盘项目，也会分享一些实习信息和内推机会。

机器学习（ML/AI）¶

26 招新负责人：@DX3906（QQ：898534959）

对大二同学政策：专门针对大二同学的招新政策和题目会在一轮同大一题目一起释出。大二题目难度更大。

DX3906

DX3906 对 ML 的介绍：现在是 AI 的时代，ML 是与之联系最紧密的一个方向。个人感觉 ML 是想要深造和深耕科研的同学的一个很不错的选择，ML 方向的同学比起其他方向的同学在科研入门和学科竞赛上有着天然的巨大优势，ML 需要深造，同时也助力深造。

对一轮前以及一轮 ML 的学习建议：在一轮之前想提前学的话可以看看（日）斋藤康毅的《深度学习入门》这本书。这本书浅显易懂，适合零基础入门，大致就是一轮的难度水平。二轮的话还要更难。

然后可以在 B 站上看一下小土堆的视频（GitHub 上应该有相关笔记，可以搜索一下）。基本就是看书来了解一些 ML 的基础常识和概念，然后看 B 站的视频来学习实操。

一轮可以有一个广泛的学习和求索；如果进入二轮，可以跟着题目，以题目为导向来学习。因为很现实的是，二轮的难度和题量都不低，你很难在这么有限的时间内既完成题目的内容，又去学其他的 ML 内容。

我个人支持大家在招新的时候使用任何 AI 工具。善于使用 AI 对于学习效率的提升是飞跃，但滥用 AI 的后果也是灾难性的。你得自己理解和掌握那些知识。AI 的回答，你消化了，那就是你的知识；没思考、没自己实操，那和没学也没什么区别。

这些都只是我个人的建议。

ZZX（猪猪侠）

ZZX 对 ML 方向的建议：我在初学的时候看的就是吴恩达的机器学习课程，现在来看，它也是不错的学习基础的一个系列视频，当然你肯定不用全部看完。更多的是一些基础性的、源头性的知识。除此之外就是去实践一下，跑一些小的点，即使是线性回归也有自己做的必要。到后面有了一定基础，再去看看李沐的一些论文讲解，如果能自己搭配 LLM 食用也是不错的。

master

master 对 ML 方向的建议：在 AI 发展迅速的今天，无论是零基础的小白还是 OI 大佬，很多人都想进入 AI 领域。我认为，学习 ML 最重要的是保持兴趣并脚踏实地。AI 并不像想象中那样始终光鲜亮丽，真正学习之后，你可能每天面对的是枯燥的指标、复杂的 Tensor、不断变化的曲线、莫名其妙的 NaN、早上醒来发现 CUDA: Out of Memory，甚至模型突然说出“电磁场的天气是红灯的变种”，云服务器实例也可能毫无预兆地被释放。但只要你愿意持续学习，就一定能逐渐走下去，最终 finally make it。

零基础当然可以学习 ML，工作室里的许多学长学姐都是从零开始的，所以不必过度担心。这里给大家几个建议：首先，课内数学一定要学好，ML 以及整个 CS 都和数学密切相关；其次，不要过度依赖 AI，AI 只是辅助工具，代码可以让它帮你写，但思考、理解、验证和最终责任必须属于自己，否则很容易陷入 Debug 越 de 越多、AI 频繁产生幻觉、误判实验方向，甚至 Git 误操作等问题；最后，想提前学习的同学可以从 ML 基础概念、Python（B 站有很多教程，个人认为学习到面向对象就差不多了，但是最好还是边做 ML 边学习）和 PyTorch 开始，参考吴恩达的机器学习课程、PyTorch 官方文档、Deep-ML 刷题网站（MLer 的力扣）和李沐的《动手学深度学习》以及论文精读（神中神），也可以学习 WSL、Miniconda、Linux 和 Git。

当然，大家有任何疑问都可以在招新群或者私信学长学姐，学长学姐都是很乐意解答小登的问题的！总的来说，大家根据自己的基础和兴趣安排进度就好，保持兴趣、脚踏实地，学无止境。

whynot

whynot 对 ML 方向的建议：

ML 是什么：机器学习，是当今大热的 AI——深度学习的前身。许多深度学习的概念，例如 loss、学习率、自监督等，都是从 ML 继承的方法。学好机器学习，为进一步学习 AI 和深度学习打好基础。无论是大模型、多模态、Agent、具身智能等，都属于 ML 方向的进阶。
ML 怎么学：
1. 入手一门经典教材，例如吴恩达、李宏毅或李沐的课程，任选一门，掌握基础概念和性质。
2. 在了解了基本知识和 PyTorch 后，可以进阶阅读经典论文，例如跟着李沐读论文，或者让 AI 推荐，掌握读论文的技巧和方法，在论文中更深入地了解一个领域和方向。
3. 在进行基本的经典论文阅读后，可以锚定一个方向进行深度学习，例如 LLM、Robot、Agent。可以挑校内或校外一个感兴趣的组，再挑一门国外这个方向的神课。这个时候就不只是对知识概念的认识了解，而是在实践和实验过程中不断深化。

恭喜，这个时候就已经从一名入门的 MLer 成长为 junior researcher 了，尽情开始自己的探索吧～

outsider

outsider 对 ML 方向的建议：

我觉得机器学习这个名字用来概括我们的这个方向似乎有些过时了，更贴切地讲应该叫做人工智能，但是我们一开始还是要从机器学习的一些基础概念学起，诸如监督学习、梯度下降算法之类的。这一部分我推荐吴恩达的课程，很明了、很易懂。对于传统的机器学习算法，我个人觉得可以不用下太多功夫（比如支持向量机之类的），当下的重点都是深度学习和神经网络方向。在对 ML 有了更全面的认识和对基础知识有了更深的理解之后，可以尝试李沐或李宏毅的课程，具体研究一些经典模型的代码（可以尝试李沐的《动手学深度学习》这本书，B 站也有配套课程）。当然，我们的招新题本身就是一条很好的学习路线，会引导着小登们由易到难向深处进发。

在这些都理解了之后，我们可以选择的方向有很多，比如传统的计算机视觉（CV），当前各家 AI 公司最为拿手的大语言模型（LLM），还有一些目前新兴的世界模型、Agent、具身智能……当然，这些都是招新结束后更为深入的细分方向了（前面的区域以后再来探索吧～）。

研究模型的过程就如同拼积木，通过更换不同的组件来让整体的模型达到更好的效果。在学习过程中注意理性使用 AI 工具，重在理解，只要态度到位和方向明确，大家一定可以成功的！

X

X 对 ML 方向的建议：

相信各位看了前面几位学长对于 ML 方向的学习建议后，该如何学习 ML 已经有了自己的路线。我的路线与他们的大致相同。在这里我只想说一下自己对 ML 学习的一些体会，而非具体的路线。

一是基本的代码能力。诚然，现在 AI 写代码的能力已不可忽视，但我觉得基本的阅读和修改代码的能力仍是必不可少的。你大可以将文献丢给 AI，让它帮你生成代码，但你必须要有能力识别其是否正确，而不是不加思考地使用 AI 的代码。

二是快速学习的能力。ML 的范围十分广阔，从计算机视觉、大语言模型到现在火热的 AI Agent，我们的招新不可能全面覆盖，所以查找学习资料的能力和快速运用的能力十分必要。因此，我觉得在参考学长的路线的同时，适当放慢做题的速度，自己从零开始寻找答案的过程，可能对你未来的学习更有帮助。

Sheep

Sheep 对 ML 方向的看法：

功利而言，ML 是一个什么样的方向？ ML 是前期投资多、回报少，但坚持以后回报巨大的方向。

就业而言，对于软件工程专业的同学来说，和深度学习有关联的一系列方向都属于“变现”周期较长、普遍读研后就业优势更大、岗位质量和薪资水平也相对更高的方向。像前面学长学姐们所说，ML 正是深度学习的前身与基础，而只学 ML 是远远不够的。ML 方向其实更应该叫 AI 方向，当你对 ML 的概念、原理有了一定了解后，再去搞 LLM、Agent、具身智能等前沿、热门的方向，会更有底气。
学习 ML 需要什么特质？ 坚持。

本科阶段，ML 学习者一定要兼顾好 ML 的技术学习与课内均分成绩，也需要逐渐具备主动寻找资源、资料的能力。固然艰难，但坚持下来你一定会有大大的收获。
个人拙见

想清楚自己想做什么很重要，暂时不清楚也无妨。但对于读研党而言，我非常建议你来咱们 ML 方向：一方面 ML 知识有助于你打比赛、保研加分；另一方面，学习 ML 的同时，往往可以提前进组、认识导师，这对于读研时选导师也有优势。

前辈介绍

机器学习这个方向名称自创立之初保留至今，实际内容早已不止传统机器学习，还包括以神经网络为主导的深度学习，以及大模型、多模态、Agent、具身智能等不断发展的领域。其核心仍是从数据中分析和获取规律，再利用模型对未知数据进行预测或生成。一个完整的应用流程通常包括问题提出、数据收集、数据处理、模型构建、模型部署和实际应用；算法设计则要兼顾可行性、有效性、泛化能力与数据多样性。

从发展历程看，机器智能从图灵在 1950 年提出相关问题、1959 年“机器学习”一词出现，到 k-NN、反向传播、CNN 等方法逐步成熟，再到 GPU 计算推动深度学习普及、AlphaGo 展示强化学习在复杂决策中的能力，以及 2020 年以来大模型的快速发展，研究内容和应用边界一直在扩展。

机器学习已经进入许多真实场景。宣讲材料展示了围棋程序、根据单张照片生成人物说话视频等案例，也介绍了 AI 在神经网络、蛋白质结构预测与计算蛋白质设计等科学问题中的影响。工作室近年来的 ML 项目还涉及隐私保护医疗影像诊疗、火灾烟雾与人体识别、数字水印模型访问控制、制造业表面缺陷检测、羽毛球运动分析和 AI 语音合成等方向。这些项目都离不开把数据、模型和实际问题连接起来的能力。

加入凌睿 ML 后，前辈会在论文阅读、研究入门和项目推进中提供指导，成员可以与同伴组队参加同方向或跨方向竞赛，也会通过 Peer Teaching 定期分享技术知识和研究内容。比起独自摸索，这里更容易获得及时的经验反馈，在真实项目与合作中逐渐形成自己的研究方向。

网络安全（Cyber Security）¶

26 招新负责人： @shyler (QQ:2734414045)

对大二同学政策：无特殊要求，与大一新生一起参与一二轮笔面试

这并不是一个高大上的方向，网络安全是一个杂乱且重在广度的学问，从网页，小程序，app 应用到车联网，硬件 IOT，具身智能等等，都绕不开安全这个问题，而这其中最具普遍性的就是密码学，毕竟几乎这些所有的应用都与身份验证，信息传递，保密有关，可以说密码学是网络安全的基石。

举几个真实的例子吧：

222.197.165.142:8087/admin，这是我校经管学院的一个后台，这个后台是一个弱口令，（现在好像已经 502 掉了）
https://zhty.uestc.cn，我校的体侧预约平台，这个平台存在几个 jwt 的安全问题，你可以登录任意账户并进行操作
步道乐跑，相信不久后你就会苦恼这个问题，这个涉及逆向工程（Reverse Engine）, 逆向逆的也是这些数据的加密，你的运动跑步数据是怎么加密的，你的签到记录是怎么上传的，这些过程都涉及解密加密，也就是密码学。

密码学主要研究如何通过加密和解密技术来确保信息的机密性、完整性、认证性和不可否认性。现代密码学是数学和计算机科学的分支，原理大部分基于代数和数论，而实现则依靠算法。这意味着你需要具备一定的数学知识以及熟练的编程技术。

🤯这是一条艰辛的路，他没有开发那样会显著看到自己的提升，也很难写一些机器学习的玩具。我现在仔细想想也没觉得自己学了什么，但是因为基础知识逐渐巩固，现在看到一些论文也会有自己新的想法。 ——工作室密码学方向某学⻓如是说道。

How to solve?

学会阅读博客。问题 95%都可以通过搜索引擎（Google or Bing）或者 AI、视频或者是看书（优先级- -）来解决。打好代码基础。当然你借助 AI 解决问题，但是和所有方向一样，不能过度依赖 AI，如果你过度依赖 AI，所有题目都是靠 AI 自动化解决而没有一点自己的思考与感悟，那我们为什么要浪费宝贵的工作室名额来换取 token 呢？

我强烈推荐博客阅读，博客可以说是最好的偷师方法，一个好的博客几乎可以覆盖你所在某个方向的所有心路历程，而且还有机会认识大手子进行交流，妙妙妙！！！

Programming

自然语言和编程语言总得会一个吧。

Python 为密码学提供了很好的支持，再学会调库（pycryptodome，gmpy2）。

Primitives

【密码学数学基础】：Dan 的密码学课，经典完了
【完结合集】Dan Boneh 的密码学第一季【伊卡酱全程译注】

看课看累了可以看别人的笔记。

Practice

通过下面的网站可以练习你学习到的密码学知识。

CryptoHack http://cryptohack.org
Cryptopals https://cryptopals.com/

当然网络安全除了密码学以外，还有许多其他方向，比如 Web，Reverse，Pwn，等等，当然如果你还对 CTF 感兴趣，我还推荐这些 CTF 练习平台：

欢迎咨询负责人

后端（Backend）¶

“Any sufficiently advanced technology is indistinguishable from magic.”

—— Arthur C. Clarke · 克拉克第三定律（Clarke's Third Law）

26 招新负责人：@cty (QQ: 2922440937) @nison (QQ:2097916457) @EarthCloud (QQ:2387190964)
对大二同学政策：会有专门的大二内推题目

后端一般指位于用户看不见的一侧、支撑整个应用运行的那部分代码。当你在网站上登录账号、发布内容、看到别人的动态，浏览器负责把这些操作展示出来，而真正处理登录校验、保存数据、把内容分发出去的，是后端。可以简单理解为：前端负责"让用户看到"，后端负责"让整件事真的成立"。

广义上的后端并不只出现在网页背后。手机 App、桌面软件、小程序、AI 产品、游戏服务器，只要涉及多人共享数据、跨设备同步、身份认证或大规模计算的场景，都需要一套后端系统支撑。

后端的特点

看不见，但离不开：写出来的成果不像前端那样立刻可见，但正是这些看不见的代码，扛住了双十一零点峰值每秒数十万笔交易、亿级用户产品零点不崩——成就感就来自"系统稳、快、对"这件事本身。后端通常要对接前端、协调产品、配合运维、接受安全审计，把接口文档写清楚、把改动讲明白。
就业面广：几乎每一家互联网公司、AI 公司、金融公司、游戏公司都需要后端。从字节、腾讯这样的大厂，到 MiniMax、月之暗面这样的 AI 新贵，后端工程师都是核心岗位之一。
薪资上限高：后端是互联网薪酬最坚挺的岗位之一。校招大厂后端，白菜价总包 25 万起步，SP/SSP 50 万+，AI Infra、大模型工程这类稀缺方向还要再溢价一大截；工作三五年，一线大厂资深后端年薪百万以上很常见。
职业方向选择多：后端积累下来的能力可以平滑迁移到其他方向。数据库、网络、系统设计这些底子学扎实之后，无论以后想转 AI Infra、云计算、游戏服务器还是自研中间件，都能很快上手。

后端都学什么

后端最基础的部分是"接收请求、处理逻辑、读写数据、返回结果"这一整套流程。招新阶段我们统一使用 Java 与 Spring Boot 这套工业界常见的组合，先向大家介绍语言和框架的基本特性，然后逐步引导大家，把一个请求从进入服务器到最终返回用户浏览器的完整链路走通，理解每一层各自负责什么，最后写出功能完整的接口。当然，如果你有兴趣，也可以选择 Go ，甚至是更难的 Rust 来完成招新题的要求。入门后端不需要什么变化莫测的技术，你只需要理解"请求是怎么来的、数据是怎么存的、结果是怎么回去的"，就能在任何语言和框架下写出后端代码。

在此之上，你还会接触 MySQL、PostgreSQL 等关系型数据库来负责数据的持久化存储，MyBatis / MyBatis-Plus 等 ORM 框架来简化数据库操作与代码组织，Redis 作为缓存来降低数据库压力、提升响应速度，Kafka、RabbitMQ 等消息队列则用于解耦系统、削峰填谷、异步处理。Nginx、HAProxy 等负载均衡器用于分发请求、提升系统吞吐量，Docker、Kubernetes 等容器化与编排工具则用于部署和运维。招新阶段，我们会引导大家学习数据库的基本使用方式，同时了解和使用部分数据库相关的中间件。 当你功力大成后，你甚至可以像 Cloudflare 团队用 Rust 重写 Nginx（Pingora）那样，用业界最先进的技术重新造一遍这些中间件。

你还会接触的软件工程最为重要的心法，理解如何组织和表现大型项目，如何用自己的聪明才智和创造性思维确保代码持续可维护、技术栈持续可演进，你会发现，当别人在堆史山的时候，你能够从工业级系统的复杂性中拆出真正的核心链条。这些内容，在 AI 时代同样是核心竞争力。

后端不只是"写接口、查数据库"，往底层深挖同样有大片天地：

深入网络协议层：从 TCP 三次握手、滑动窗口与拥塞控制，到 TLS 握手、HTTP/2 多路复用、HTTP/3 的 QUIC——你可以亲手拆开每一层协议，弄清"一个字节是怎么穿过机房、海底光缆和无数路由，千里迢迢抵达服务器，再带着答案跑回来的"。
操作系统与底层原理：进程线程、内存模型、文件系统、IO 多路复用（epoll）、JVM 与垃圾回收……当服务在高并发下卡死、内存爆掉的时候，你能清楚地知道在内核态到底发生了什么。
分布式集群与天量并发：一台机器扛不住，就上集群。负载均衡、服务注册与发现、分布式缓存、消息队列削峰填谷、分库分表、一致性算法——双十一、春晚抢红包、千万人同时在线，背后全是这套东西。"天量并发"不是一句口号，而是每一秒都在真实发生的工程战场。
云原生与弹性伸缩：上文提到的 Docker、Kubernetes 只是入场券。云原生是让成千上万个容器自动编排、滚动升级、故障自愈——机器宕了它比你先知道，流量爆了它比你手快，几秒拉起新副本、一键弹性扩容；再配上 Service Mesh、可观测性、GitOps、Serverless，你不需要在裸机上通宵"重启大法"，在云端就能系统调教得服服帖帖。

AI 时代下的后端

大模型这几年很火，但一款真正可用的 AI 产品，远不只是"封装一次 API 调用"这么简单。每一次"智能"的回答背后，都有一整套后端系统在保驾护航。请求要在毫秒级被路由到最合适的模型：用便宜敏捷的小模型，还是聪明昂贵的大模型？路由网关要根据成本、延迟、任务难度动态裁决。历史消息和从向量数据库里捞回的相关资料，要按最刁钻的顺序拼进上下文，token 预算精打细算到每一个字符——塞多了爆窗口，塞少了丢记忆。模型的输出还要稳定地流式传回前端：SSE、WebSocket、首 token 延迟、断线重连、背压控制，任何一个环节掉链子，体验就会崩。每一次调用都要记账——谁调的、调的哪个模型、花了多少 token；出问题时，还要在几分钟内定位到底是模型抽风、数据污染，还是网络抖动。

AI 产品的并发量也相当恐怖：一个爆款 AI 应用上线，几百万用户涌进来问同一个问题。模型再聪明，扛不住也白搭。于是要有后端去负责 GPU 推理集群的调度编排、显存的精打细算（KV Cache 省出来的每一兆都是真金白银）、推理引擎的吞吐优化、限流熔断与降级预案。

Agent 的兴起，进一步拓展了后端的边界。像 Cursor、Claude Code、Devin 这样的产品，看起来是"AI 在自己写代码"，宛如魔法，本质上是一整套复杂的后端系统在背后接力：调度模型、规划任务、管理工具调用、维护跨步骤的状态、压缩与重写上下文、失败重试与错误恢复、控制每一笔成本。

总而言之，模型能力越强，就越需要能把它稳定接入到业务里的后端工程师。AI 基础设施相关的工程研发岗位需求呈现增长趋势，各大厂的核心研发通道也在向大模型工程、分布式系统及平台基础设施倾斜。

关于凌睿的后端

后端是凌睿工作室历史最悠久、体量最大的方向之一。大量学长学姐就职于字节跳动、腾讯、华为、MiniMax 等一线企业，方向内部积累了丰富的企业内推资源与实习信息渠道，每一届同学都能借助这些资源，找到与自己个人发展匹配的实习机会。

如果你对系统设计、性能优化、AI 工程化或前沿技术实践有兴趣，欢迎加入后端方向。无论你未来选择就业还是深造，后端都能为你铺一条与之匹配的路。

其他¶

有六大招新方向并不代表凌睿成员全在这六大方向之内，实际上我们有非常自由的技术氛围，还有一些成员选择深耕 CG 动画、游戏开发、嵌入式等方向。所以无论你想学什么，工作室里大概都有前辈可以为你指点迷津！

作为一个与时俱进又高瞻远瞩的先进团体，凌睿一直在积极地发展新的方向：

17 年开创 ml 方向
20 年开创 devops 方向
25 年 UI 转为产品
26 年开创底层方向、密码学转为网络安全

所以我们也非常欢迎有能力的同学加入我们自己开创一个新的方向。