现在ai流行的年代和ai不断在进步，对于data analyst怎么转行？是应该加强dormain knowledge还是技术？已经有了一个普通学校的研究生还应该学一个名校研究生cs？为了好找工作吗

立正谈数据科学家转型时，第一句是让大家拷问自己的工作有没有真的创造价值，并说这个岗位存在一种“畸形繁荣”；他还提醒，学校里形成的“越难越有价值”的印象，在真实世界里并不成立⁠1。这直接关系到你的问题：domain 还是技术，取决于哪一边让你更接近业务结果。数据岗的日常本来就是先把业务问题翻译成数据问题，最后仍要回答业务问题，而 product sense 这类能力网上资料最少、也最难速成⁠2。所以如果你现在的工作主要是取数、跑模型、写报告，却说不清这些产出改变了什么决策，那么优先补的可能不是又一层技术，而是把某个业务问题从头跟到结果。反过来，如果你已经能讲清业务价值，只是被工程能力卡住，那技术就是瓶颈。

立正承认程序员加AI的效率大概率高于数据人加AI，但他同时指出编程能力正在溢出，数据人加AI的效率也远超过去，而且解决问题不只靠编程这一环⁠3。他给的具体动作很朴素：不要停在聊天框里，要用 agentic coding 这类能让AI直接动手改代码、跑流程的工具，把AI变成杠杆⁠3。他还说，什么都不改变才是最冒险的选择，先下决心再谈方向⁠3。放到你身上，一个可试的做法是挑一件现在手工做的分析任务，比如清洗数据或搭报表，让AI参与完整流程，然后看自己省下的时间是否转到了解释结果、影响决策上。这个反馈比再读一门课更能告诉你缺的是 domain 还是技术。

立正讲过世界上没有铁饭碗，科技行业的高回报已经持续很久，门槛其实不高，转码去一个对应的学校就能进入⁠4。这句话的含义是：学历作为筛选信号的价值在下降，而不是说名校没用。他更看重的是能不能被具体岗位看见——求职时要针对想去的公司准备、靠内推提高成功率，并用工作中的真实产出讲清自己的影响⁠5；他也强调要有具体的“甲方感”，想清楚简历要打动的是哪一类招聘方⁠6。所以第二个硕士值不值得读，取决于它是否帮你补上目标岗位明确要求的缺口，比如某些岗位硬性要CS背景，或者你需要一段能产出真实项目的环境。如果只是为了“名校”标签，而你现在已经能用项目证明能力，那这笔投入的回报就不确定。