https://CoderAmedal.github.io/tags/%E8%81%8C%E4%B8%9A%E8%A7%84%E5%88%92/Recent content in 职业规划 on BIT & 42Hugo -- 0.160.1zh-CN2025 Bit &amp; 42. 这是生命、宇宙以及一切的终极版权声明Sun, 22 Dec 2024 00:00:00 +0000https://CoderAmedal.github.io/posts/cs-major-career-reflection/Sun, 22 Dec 2024 00:00:00 +0000https://CoderAmedal.github.io/posts/cs-major-career-reflection/<h1 id="对计算机各个专业及面向的场景的理解与思考">对计算机各个专业及面向的场景的理解与思考</h1> <h2 id="前言">前言</h2> <p>计算机专业在高校中已分化出十几个方向——计科、软工、网工、信安、物联网、大数据、人工智能……在校时总觉得这些专业各有千秋，毕业后才逐渐体会到，它们之间的界限在工作场景中其实相当模糊。这篇文章是我工作几年后对各专业方向的一些个人理解。</p> <h2 id="计科-vs-软工理论与工程的取舍">计科 vs 软工：理论与工程的取舍</h2> <p><strong>计算机科学与技术（计科）</strong> 偏重底层原理：操作系统、编译原理、体系结构、离散数学。学得扎实的同学，在面对性能调优、内存分析、并发模型这类问题时明显更从容——因为有底层心智模型支撑。</p> <p><strong>软件工程（软工）</strong> 则更侧重重工程实践：设计模式、软件架构、敏捷流程、需求分析。毕业后的软工同学在团队协作和项目推进上往往有优势。</p> <p>实际工作中两者的界限并不重要。大多数后端/全栈岗位对这两类毕业生一视同仁，最终区分能力的是你能否独立拆解问题、设计实现方案。如果非要区分，<strong>需要啃底层（数据库内核、基础设施、编译器、嵌入式）的岗位计科更对口；需要快速交付业务的岗位软工更顺手。</strong></p> <h2 id="网络工程与信息安全从通才到专才">网络工程与信息安全：从通才到专才</h2> <p>网络工程专业的处境有些尴尬——纯网络运维的岗位越来越少，云原生和 SDN 让传统网工的技能包在缩水。但网络基础扎实的同学转 DevOps/SRE 其实有天然优势，因为排查线上问题时，网络层往往是第一层怀疑对象。</p> <p>信息安全在近五年迎来了爆发。从渗透测试、安全运维到安全开发（DevSecOps），岗位细化程度很高。不过有一点需要注意：安全是一个<strong>需要持续投入</strong>的方向，漏洞库和攻击手法每天都在更新，比起普通开发岗，它更接近&quot;手艺活&quot;——经验积累的边际收益极高。</p> <h2 id="大数据与人工智能热潮下的真实场景">大数据与人工智能：热潮下的真实场景</h2> <p><strong>大数据方向</strong> 的核心不是 Hadoop、Spark 这些工具本身（它们会更新换代），而是对<strong>分布式计算的思维方式</strong>——数据分片、shuffle、容错、流批统一。在实际工作中，大部分公司的大数据需求其实是&quot;数据仓库 + ETL + 报表&quot;，真正需要调优大规模集群的场景并没有想象中那么多。</p> <p><strong>人工智能方向</strong> 这两年的人才供给已经远超需求。大多数 AI 岗位的实际工作内容是数据清洗、特征工程、模型调参，能真正从事算法创新或前沿研究的坑位极少。对于大多数公司来说，调个 API、fine-tune 一个开源模型就够用了。如果只是跟风选 AI，不如先问自己：<strong>你是喜欢调模型，还是喜欢解决业务问题？</strong> 后者在任何一个方向都能走得远。</p> <h2 id="物联网软硬件的交叉地带">物联网：软硬件的交叉地带</h2> <p>物联网是软硬件的交叉地带：嵌入式 C、RTOS、通信协议（MQTT、CoAP）、端侧推理。这个方向的岗位相对分散，大厂有专门的 IoT 部门，中小厂更多是在传统嵌入式开发上叠加联网能力。<strong>如果你喜欢可感知的物理世界反馈（点个灯、驱动个电机），这个方向会有很强的成就感。</strong></p> <h2 id="对我自己的反思">对我自己的反思</h2> <p>回头看，我觉得专业选择没有想象中那么重要——更重要的是在学习过程中形成的<strong>问题分解能力和学习习惯</strong>。工作中用到的具体技术，大部分都是现学的。所以比起纠结选哪个专业，不如关注能不能在某个方向上持续深度学习、积累可复用的方法论。</p> <p>这也是我写这个博客的初衷：记录学习过程中的思考，而不是搬运他人已有的知识。</p>