不必等“准备好”再投递,也不必先脱产系统学几个月。更合适的做法是边做边投:用一个小型可交付项目补足证据,同时从12月起小批量投递上海实习,用真实反馈校准方向。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先投递,把“准备”变成有反馈的循环
你担心的“一直准备、错过机会”和“只做执行、不沉淀原理”,其实不是二选一。立正署名的文章明确反对“先完全学会,再开始使用”,主张在使用中逐步升级,找一个今天就能交给 AI 的任务先做起来1。同一作者在另一篇里也强调,判断学习潜力要看一个人拿到输入后一周内能否做出可运行的小产出,以及问题有没有变具体2。这两点合起来,指向的是一种“边做边学、用产出检验”的节奏,而不是先闭关几个月。
对你来说,这意味着不必把12月中旬当成“学成了才投”的门槛。可以现在就开始小批量投递,把面试反馈当作能力差距的测量工具。你目前还没投过,最大的信息缺口正是企业到底要什么。
用“最小可交付”判断自己够不够,而不是靠感觉
AI推演判断最低能力,可以借立正文章里的思路:给自己一个具体的小任务,要求有可运行的东西、一份过程记录(遇到什么问题、怎么修正)、一次复盘(再做会怎么改)2。如果一周内你能独立完成并讲清楚取舍,说明已进入学习循环;如果卡住,卡点本身就是下一步要补的清单。
针对你的方向,嘉宾董有超给过一个更具体的入门清单:大致了解 Transformer 和 attention 的框架即可,不必自己预训练;重点放在动手实践,比如写一个边界清楚、能自己构造测试集评估的 prompt 项目,试 RAG,尝试搭一到两个能互相调用、有工具调用和记忆的 agent;每天约一个半小时、持续一个月,就能到比较 prepared 的状态3。这是董有超的判断,不是立正本人的。它可作为你设定“够用线”的参照,但不必照搬时长。
落到你的 Kaggle 项目上:把其中一个整理成能打开、能运行、能讲清“AI 哪里错了、你怎么改”的仓库,比再开一个新项目更能证明能力。
选第一份工作:看它是否让你接触真实阻力
AI推演立正本人在对话里说过,要找“你能去的地方”,而不是最想去的地方:现在是五十分,就先找六十分的,再往七十分走;直接冲七八十分只是浪费时间4。这句话针对的是求职定位,可以理解为:第一份 AI 工作不必是理想岗位,但要是能让你进入学习循环的岗位。
怎么判断“有成长价值”?可以看它是否给你真实问题、是否允许你看到底层逻辑。面试时可以直接问:实习生做什么、有没有人带、交付物是什么。若岗位只让你跑现成流程、不给理解空间,就接近你担心的“只完成任务”。这部分是我基于上述材料的推演,不是原文结论。
另外,Ethan 在访谈中提到,有真实项目、真实 commit、能说清如何用 AI 完成工作的求职者比例其实很低,把基本动作做扎实就已超过多数人;立正也认同这一判断5。这可以缓解“年底机会少”的焦虑:竞争没有想象中拥挤,关键是你的材料能否被看见。
材料没有涉及上海具体岗位的招聘节奏、年底名额变化,也没有 RL、游戏 Agent、Agent 安全三类岗位的实际要求对比。这些需要你通过投递和岗位描述自行核实。
出处
- 1AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
立正署名文章,直接主张“不要等准备好才开始,在使用中升级”。
- 2正确的学习方法比大家想象中稀缺很多,那我们如何筛选人才?
给出用一周小任务和复盘判断学习潜力的具体方法,可用于自测。
- 3起跑线重置!如何在大模型时代职业弯道超车?|YC 3/3
董有超给出大模型应用入门的具体实践清单,可作能力参照。
- 4118. 从「象牙塔」到「真本事」,AI时代如何打造个人价值|课代表立正
立正本人谈求职定位:先找能去的,再逐步往上走。
- 5AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
Ethan 访谈中关于求职者比例和基本动作的判断,可校准竞争焦虑。
追问2026年11月11日
如何把现有的 Kaggle 项目整理成一份能讲清取舍的求职材料?
把 Kaggle 项目整理成求职材料,重点不是列成绩,而是讲清你做了什么取舍、为什么这样选、遇到什么阻力、怎么修正。先补一个能完整讲过程的深度项目,再用这个框架组织表达。
先有真实过程,再谈包装
材料能打动人,前提是你真的做过一个能讲出完整过程的项目:遇到什么问题、试了什么、AI 或方法在哪里出错、你怎么改。框架只负责把已有经历重新组织,不能替代经历本身1。所以整理 Kaggle 项目时,先问自己能否讲清一条完整的“问题—尝试—失败—修正”链;讲不清的部分,就是需要补做或重做的地方,而不是靠措辞掩盖。
取舍要写成可核对的判断
AI推演Kaggle 项目天然有大量取舍:选哪个赛题、用什么基线、算力有限时砍掉哪些实验、游戏 Agent 与 Agent 安全两条线怎么分配精力。这些正是招聘方想看的判断力。可以参照一种小任务式呈现:交付一个可运行、可阅读的东西,附一份简短记录说明你怎么做、中间遇到什么问题、AI 犯过什么错、你怎么修正,再加一次“如果重做会怎么改”的复盘2。这种结构比只写排名更能暴露你是否真的动手、是否理解后做了迁移。
用求职材料反推方向选择
AI推演你还不确定 RL、游戏 Agent 还是 Agent 安全更适合,Kaggle 项目正好可以当试验场:把两个项目各写成一页“取舍说明”,看哪一个你能讲出更多具体阻力和修正过程,那通常是你更有积累、也更愿意深入的方向。同时把 GitHub 做成有真实 commit、项目能拿出来讲的状态,并认真按岗位描述改申请材料;有招聘方转述称,做到这些基础动作的人比例很低,这可以作为你优先补哪块的参照,而不是保证3。上海实习可以小批量投递,用面试反馈校准项目该往哪个方向加深。
现有材料没有针对 Kaggle 项目的具体整理模板,也没有上海 RL、游戏 Agent 或 Agent 安全岗位的实际招聘要求;上述做法是依据通用项目呈现与求职建议作的推演,需用真实投递反馈检验。
出处
- 12026,如何在面试中证明自己"真的懂AI"
说明项目经历在先、表达框架在后,框架不能替代真实过程。
- 2正确的学习方法比大家想象中稀缺很多,那我们如何筛选人才?
给出小任务式交付与复盘结构,可直接用于整理项目记录。
- 3AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
提供 GitHub、按岗位改申请等基础动作的招聘端参照。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。