在算法工程师这个群体中，沐白是一个有些“非典型”的存在：

他本科就读于广东财经大学金融工程专业，入行是因为炒股自学量化编程，实习时被一位领导“发掘”，“误打误撞”进了算法这行。但这条偶然的路，他走了近十年，从一线工程师走到算法专家和管理岗位；他既是一个仍在持续学习、持续折腾的技术人，也是一个对行业趋势保持冷静判断的观察者。

本次《开发者说》，我们将听沐白分享他的成长经历、大厂算法工程师工作日常以及对AI冲击与个人价值的思考。

偶然入行，一路深耕：一个非典型算法人的成长轨迹          

请简单介绍一下您的求学和早期工作经历。如果把自己的职业生涯划分为几个阶段，您会怎么划分？

我并不是严格意义上的计算机科班出身，本科读的是金融工程。这个专业本身对编程的要求并不算高，更偏金融。真正把我带到算法方向的，是学生时代对炒股和量化投资的兴趣。为了研究策略，我开始做数据分析，自学编程，也尝试用机器学习的方法搭过一个比较粗糙的量化系统。

实习时，我最初做的是数据分析。公司里有一位领导负责算法相关工作，他注意到我经常和同事讨论量化，也在自己做一些实验，觉得我比较适合做算法，于是开始带我。这个机缘让我从数据分析正式转向算法工程。如果当时没有自学编程和量化的积累，也没有这位前辈的提携，我后来大概不会沿着算法这条路一直走下来。这是第一个阶段，也是带有很强偶然性的起点。

第二个阶段是开始带团队、做管理。此前我长期做用户增长和广告投放相关的算法。教育行业业务规模快速增长的那段时间，公司越来越重视增长算法，团队也随之扩张。我不再只负责一个模型或实验，而是要推进项目、跨部门沟通、组织多人协作，还要帮助组员解决问题。这个阶段让我意识到，算法工作做到一定程度以后，个人技术只是其中一部分，能不能把上下游和团队组织起来同样重要。

第三个阶段就是今天的大模型和 Coding Agent 时代。过去做项目管理，大家手工写代码，一个人的能力和交付速度大致可估算，排期也相对稳定。Coding Agent 出现后，同一个人的效率可能提高数倍。如果一个人能同时管理多个 Agent，也能与其他人并行协作，他的产出方式就和传统工程师不一样了。原来基于人力和经验建立的项目管理方法，需要重新调整。我现在仍在一线实践，也还在学习怎样适应这种新的工作方式。

您为什么一直做用户增长算法，而没有转去做量化？

这和职业起点有很大关系。最早带我进入算法工作的前辈，本身就在做用户增长，我也由此进入了这个方向。后来工作经验、业务理解和团队资源都围绕用户增长不断积累，职业路径自然产生了惯性。

我并没有完全放下量化，现在仍把它当作业余方向持续研究。量化有一个特点：很多验证并不一定要依托公司，个人也可以用自己的资金做实盘和策略验证。

对我个人来说，用户增长同样包含很强的策略和量化逻辑。广告投放要决定预算如何分配、怎样控制获客成本、如何评估回报，本质上也是在数据和不确定性中寻找更好的决策。两者表面上属于不同业务，底层思维其实有不少相通之处。

算法岗十年：门槛降低之后，什么能力更重要

您最早想象中的算法工程师和今天理解的有多大区别？

差别很大。我入行时，算法还是一个门槛相对较高的职业。一个机器学习或深度学习工程师，通常要理解数学基础，知道梯度下降等方法背后的逻辑，也要持续阅读论文、理解模型架构。实际工作可能包括调整网络结构、调参，或者为具体业务找到合适的模型并推动落地。那时算法工程师的稀缺性，很大程度来自知识、训练经验和模型实现能力。

今天的岗位结构已经明显分化。最头部的是做基础模型和大模型基础设施的研究与工程人员，他们仍然面对非常前沿、门槛也很高的问题。

中部大多是大模型训练工程师，更多是在做数据清洗、流程化的事情，围绕数据做训练，这类工程师的部分工作可能会被大模型替代。

更多普通公司真正需要的，则是 AI 应用工程师：利用现有模型解决具体业务问题，构建 Agent 或工作流，把能力转化为可用的产品。多数公司没有条件长期承担基础模型团队的成本，AI 应用反而更容易产生直接的商业价值。

与此同时，传统机器学习、推荐、广告、视觉和音频等方向并不会突然消失，但一部分工作会被通用模型和 Agent 吸收。大模型让很多原本依赖专业知识才能完成的任务变得更容易，算法岗位的门槛因此有所降低，从业者水平会出现良莠不齐的情况。

算法工程师需要具备哪些重要的能力？

第一是学习能力。算法和 AI 都处于快速变化的领域，一个人必须能够理解新知识，并且把它转化成自己的方法。

第二是自驱力。学习能力更像领悟力，自驱力则体现为行动：是否愿意主动发现问题、做实验、推动事情，而不是一直等任务分配。

第三是抗压能力，这一点是我工作几年以后才越来越重视的。算法天然包含许多不确定因素。一次训练的损失曲线是否符合预期，线上流量会怎样变化，A/B 测试的分桶和数据处理是否严谨，小流量效果能否在扩大流量后保持，都不可能完全提前确定。

算法工作一直在和不确定性对抗，抗压能力决定了一个人能否在复杂局面中继续保持有效行动。

算法专家的壁垒是什么？同样数据、算力、模型，高手胜出在哪里？

我主要做应用类算法，应用类算法专家的壁垒是业务理解——理解业务，知道它的北极星指标，知道数据链路，知道哪些是收益最高的优化点。算法专家最终胜出，靠的往往是与人协同的细节和对业务的深度理解。

业务理解深，不保证第一次就做出最复杂或最漂亮的模型，但能保证落地。一个简单方案只要解决了真实问题，就有继续迭代的机会。随着对业务链路的理解加深，团队可以逐步发现更多优化点，最终形成持续收益。

相反，如果只追求模型本身，却不知道业务为什么需要它，方案就容易变成空中楼阁。算法专家和普通工程师的差距，往往不在于多记住一个模型，而在于能否理解业务，选择值得优化的问题，并把它放进真实系统中持续迭代。

大厂算法工作现场：指标、实验与不确定性

在互联网大厂里，一个算法工程师每天都在解决什么样的问题？

算法工程师的日常可以概括为两类事情：解释指标已经发生的变化，以及设计下一次可能带来提升的实验。

比如，对于面向消费者的产品，我们会关注留存率、付费率、首页点击率等指标。用户增长侧还会关心获客成本、用户价值等数据。指标发生异动时，要做归因和复盘；指标正常时，也要思考怎样进一步提升，并通过实验持续迭代。

对一线算法工程师来说，通常会先拿到一个具体的业务场景。每天开始工作后，先看线上数据，检查已有实验和关键指标，再梳理昨天遗留的问题。早上的一部分时间会用来收集信息、讨论想法，因为算法工作里的 idea 很重要，同事的经验和不同视角也可能改变实验方向。

进入开发阶段以后，工作内容并不只是调模型。数据处理往往占很大比重。企业内部数据和业务信息，需要先清洗、转换成模型或 Agent 能够识别和使用的形式。过去可能是修改模型结构、提交训练任务；现在则常常先和 Coding Agent 讨论多个方案，从中选择方向，再让它协助完成代码、调优模型或生成一个 Agent Loop，随后由工程师执行、调试并判断能否上线。

您有没有遇到过模型指标漂亮但业务效果不好的项目？

这是工作年限长了以后几乎一定会遇到的问题。如果线上模型指标看起来很好，但业务指标没有变化，首先要怀疑两者是否真的相关。团队可能优化了一个方便测量的技术指标，但它并不是业务真正关心的目标。模型完成了指标要求，却没有解决实际问题。

更常见的是离线指标漂亮，例如 AUC 或 Log Loss 表现很好，上线后效果却不理想。排查时不能只盯模型，要沿整个数据链路检查。线上与离线的算子逻辑可能存在差异，训练样本和线上流量的分布可能不一致，特征构造也可能对缺失值或异常值处理不同，当然也可能是过拟合。算法是一项工程，模型只是链路中的一环。任何一个数据和工程细节出现偏差，都可能让离线结论无法复制到线上。

因此，算法同学必须和研发工程师协作，逐步核对数据、特征、样本、服务和实验配置。很多问题不可能在一天内解决，真正困难的问题往往需要两三天甚至更久。此时也要对排查过程进行复盘：当时如何发现问题，验证了哪些假设，根因在哪里，怎样避免再次发生。即使一个实验没有带来预期收益，清晰的复盘仍然能成为团队后续工作的资产。

当模型怎么调都没有效果时，您如何处理工作瓶颈？

个人状态上，我会暂时停一下，休假或者去健身。问题一时解决不了，持续焦虑也不会让答案更快出现。运动能帮助我把状态拉回来，第二天再继续分析。这里的关键不是逃避问题，而是避免焦虑情绪让判断失真。

工作层面仍然按照正常节奏推进，把链路和假设逐项验证。遇到难题时，与其不断无方向地改参数，不如承认它需要时间，明确已知和未知，再通过团队协作缩小范围。如果最后发现某条路线走不通，也要把过程讲清楚。算法项目的结果存在不确定性，但分析和复盘可以做到有结构、可复用。

AI时代算法工程师的工作变革

AI 已经改变了您工作中的哪些环节？

最直接的变化是编程效率。我们在工程开发中已经普遍使用 AI Coding，它已经成为一种工作习惯，使用 AI 协助完成的代码比例很高。数据分析、数据流水线和线上工程管理等任务尤其适合使用 Coding Agent。它可以快速生成代码、解释已有实现、整理多个方案，让工程师把更多时间放在选择、验证和业务判断上。

算法本身的自动化还没有达到同样程度。过去有 AutoML，用自动化方法调参、选择特征或调整模型；现在常说的 Auto Research，是让 Agent 参与更完整的研究和决策流程。它不仅能尝试模型参数和特征，还可能处理数据流水线、训练环境、线上环境乃至整个实验循环。理论上，人给出目标和业务约束，Agent 可以设计模型结构或 Agent Loop，再反复执行和改进。这个方向会实质性改变算法工作，但目前仍处在探索阶段。

Auto Research 听起来很方便，为什么算法工作还没有完全交给 AI？

因为它很容易发散。经验丰富的算法工程师做探索时，脑中已经有一套隐含路径：过去哪些特征有效，什么变化可以迁移到相近场景，哪些方向从业务上就不值得试。Auto Research 可能把大量可能性都展开，最后仍然要人筛选。探索范围变大，并不代表单位成本内获得的有效结果更多。有时消耗了很多 Token 和算力，效果还不如人基于经验做的几轮有方向的实验。

随着 Coding Agent 更成熟、企业知识库更完整，这种情况会改善，但当前仍有很多不可控因素。工程型 AI Coding 的输入、输出和验收通常比较明确，而算法研究需要策略性思考，还要面对线上环境、业务约束和实验噪声。因此，我们不能只看用了多少 AI，而要看最终的人效和投入产出比。至少在我们公司，AI Coding 是普遍工具，但不会简单地把使用率做成考核排行。工具使用本身不是结果。

AI 对算法工程师的冲击会不会比对普通软件工程师更大？

模型知识、代码生成和实验能力逐渐标准化，当然会重新定义算法工程师的壁垒。短期内，AI 还难以完整替代算法工程师。以推荐为例，召回、粗排、精排、重排等环节可能分别由不同同学负责。实验方向不是仅靠阅读代码和文档就能确定的，还依赖长期形成的业务经验，以及大量人与人之间的沟通。

AI 可以给出许多探索方向，但未必知道哪些方向在当前组织和业务约束下最有效。工程师需要做策略性判断，协调上下游，并对上线结果负责，也就是需要“人来背锅”。

最后这点听起来像玩笑，但很现实：一个系统无论多自动化，仍然需要有人承担责任。“能够背锅”背后其实是明确责任人，并在结果不理想时负责，再去做提升。这也是人的职业护城河。

AI自进化、新范式与人的壁垒      

您怎么看待Agent的self evolution？有什么技术风险？

其实我也在做类似的事情。最近DeepSeek Harness开源项目非常火，我给它做了一个self evolution相关的插件。

Agent这套自进化体系最大的好处是：我每天产出很多会话轨迹，无论是看抖音、分享文章、写文章，还是跟别人聊天、收藏、转载各种行为数据，这些数据最后落到AI可以了解你是什么样的人。这时候它就可以积累你的数据，不断丰富你的Agent设定，让代码风格、技术栈更适配你的偏好。

存储、抽取、提炼到利用这个流程，人工操作工作量超级大。自进化最大的好处就是把前面抽取、收集、提炼的流程自动化。

但最大的技术风险就来了：哪些是你真正要的？你手动做会取其精华去其糟粕，但Agent懂你吗？大概率很难一开始就懂。没有给定很好的prompt和背景，就希望它自进化给你提炼经验，这时候技术风险就是它可能会跑偏，而且会错误累积。自进化有强化学习概念，强化学习有错误累积的reward逻辑。这种逻辑会导致你在错误轨道上越走越远，到最后回不来了。

因此，自进化不能在完全不可控的情况下无限进行。

我采用的思路是增加人工门禁：Agent 可以提出对用户画像、偏好或工作设定的新增、修改和删除建议，但不直接写入长期配置，而是提醒用户确认。这里的门禁本质上就是 Human Review。用户决定哪些内容可以进入长期记忆，哪些只是一时信息。

面对新技术，您怎么判断它是真正的范式变化，还是短期热点？

本质上是一个商业判断。ChatGPT 刚出现时，我们很早就开始关注，也觉得对话式机器人可能会带来变化。但当时仍然比较保守：从传统算法的视角看，它仍像是在预测和生成下一个词，只是参数量变大了。参数规模增加是否一定会产生推理和思维链能力，我们不敢轻易下结论，所以先做了不少探索性实验，很多功能也比较浅。

真正让我明确感到工作方式发生质变的是在Claude 模型和 AI 编程工具结合起来以后。模型能力和产品形态形成了组合：用户能直接感受到它好用，也愿意付费，真实的开发流程开始改变。

对我来说，一个值得重视的信号，就是有没有现象级产品把技术能力落地成产品，并进一步改变大量用户的工作和协作方式。只有论文指标或演示效果，还不足以说明范式已经变化；当新的产品被持续使用，周边工具、流程和生态也开始围绕它重建时，变化才真正发生。

这一轮 AI 浪潮中，您认为哪些东西最可能被高估、被低估？

我认同一个判断：短期我们高估了AI，长期又可能低估它。今天有些讨论带着“AI大跃进”的气氛，仿佛所有岗位会立刻被重写。但真正进入企业流程和日常生活，需要解决可靠性、成本、数据和组织协作等问题，不会一步完成。长期看，AI 又一定会持续渗透，只是不同场景的深度和速度不同。

从技术角度看，我认为可能被高估的是 Transformer 这一套架构能否一直推演到真正的 AGI。Transformer 的注意力机制与人类语言按词和句子连续生成的结构非常契合，它可以把大量语言压缩、抽象，再生成接近人类表达的内容。但现实世界包含物理交互、空间、运动和多种感知，仅凭这一种结构是否足以表征整个世界？Transformer 还有很大的迭代空间，但它未必是 AGI 的最终形态，未来可能需要新的网络结构或完全不同的理论。

最容易被低估的则是人的重要性。很多裁员被直接解释为 AI 替代，但背后也可能有营收和组织调整等原因。AI 能汇总大量知识，给出候选方案，却常常需要人设定方向、持续纠偏并选择结果。我曾经尝试过让 Agent 每天主动推送资讯，很快就发现它容易受初始 Prompt 影响，反复推送相似内容，形成信息茧房。环境变化后，仍然需要人调整目标和机制。

所以真正发生的往往不是“Agent 替代了人”，而是综合能力更强的人带着多个 Agent，替代了部分原有分工。系统中的主动性、业务目标和最终责任仍然来自人。组织需要多少人可能会变化，但人的判断并不会因此自动消失。AI 越能完成执行任务，我们越需要认真讨论由谁确定方向、由谁确认结果，以及出现偏差时由谁修正。

给同行的建议：复合能力与“爱学习、爱折腾”

您会建议现在的年轻人复制您过去的成长路径吗？

我不建议直接复制。我的路径从一开始就很偶然：金融工程出身，因为炒股自学编程，在实习中遇到愿意带我做算法的前辈，随后又长期进入用户增长领域。它不是一条可以按步骤复现的标准路线。

如果让我重新选择，我甚至可能直接从事金融相关工作，而不是在金融和算法之间绕一段路。但这不代表过去的所有方法都失效了。最值得保留的是学习和折腾的习惯。年轻时的时间成本和沉没成本低，有 AI Coding 以后，把想法做成产品的门槛又大幅下降。真正动手，会快速增加产品、工程和协作经验。

如果我回到年轻的时候，我会多参加黑客松，多和不同的人交流，用一两年做大量小产品，把过程分享到视频或内容平台。这并不意味着我期待每个产品都要成功，而是通过高频实践找到真实需求，理解从想法到交付的全过程，也让更多人看到自己在做什么。从数学期望看，这条路可能比单纯等待一份工作带来的成长回报更高，也可能为创业创造机会。

相对需要降低投入的，是脱离实践的固化知识和纯粹为了背诵而学习的八股文。面试需要时当然仍要准备，但如果目标是真正解决问题，AI 已经成为能力很强的搜索和知识接口，很多静态信息可以随时获得。年轻阶段更应该把精力放在执行、实战和反馈上。随着阅历增长，再系统阅读哲学、历史和人文，也会有不同价值。

AI时代，您怎么看待程序员的“失业危机”，如何建立“人的壁垒”？

过去我们会认为一个技术专家可以一直专注在极窄的领域，到了四五十岁仍靠手工编程保持优势。现在变化来得比计划快。前端岗位已经在收窄，产品经理也能借助 AI 写出可以运行的界面。只会单一工具或单一环节的人，可替代性会提高，失业风险确实存在。

因此需要具备“斜杠”能力 —— 不一定是完全换行业，可以是走向管理、持续写作和分享，也可以是产品、业务或其他专业领域。目的不是简单增加一个副业标签，而是形成复合能力。

多折腾，多学习，掌握复合能力，这就是“人的价值”。不是守住某个技术栈，而是保持对变化的敏感、对不确定的耐受，以及在复杂系统中持续做出有效判断的能力。

AI越能自动执行任务，人的判断就越珍贵。这就是这场AI浪潮中，最不该被低估的事。

=故事征集=

《开发者说》是程序员客栈推出的高端技术访谈栏目，我们会定期邀请国内外顶尖开发者、开源项目作者来分享他们的前沿技术洞察、工程经验与成长故事。欢迎大家推荐朋友或自己来参加我们的节目，分享与对话是一件利他又利己的事。主持人拾星河微信：lanlylake，添加请备注“开发者说”。