从中科大硕士到大厂AI工程师，00后程序员锦恢的跨界之路

他本科就读于南京航空航天大学计算机专业大一就学完了大学四年的课程。本科毕业后他又跨考到中科大攻读生物医学工程。如今他在大厂担任高级算法工程师负责 Agentic RL 和 Infra 相关的一些工作。他做过编译器前端开发、芯片辅助设计程序工具写过高赞技术博客拿过开源大赛最佳应用奖也是知乎“新知答主”……他是锦恢。一个把“跨界”当成习惯的00后。本期《Launch Box》一起走进他的技术世界。从代码到医学一个计算机学生的“跨界实验”如果你看过我的GitHub主页会发现我做的项目很杂。所以当别人问我“你本科是做什么方向的”时这个问题其实很难回答——因为做的东西实在太多样了。我大一时给自己定了一个目标第一年要把大学四年的课程全部学完。那时候我意识到一件事想要把一个工科专业真正学好成为一位杰出的工程师你需要建立一个自上而下的认知体系。你得清楚地知道本科学习的每一门课程会如何服务于你的职业生涯或你个人的目标。我当时有一个很明确的目标本科阶段要先做出一个能帮我陪练英语口语的机器人。于是我就把每一门计算机或人工智能相关的课程都落实到这个目标上。比如数据结构与算法设计 → 机器人内部通信协议的数据块优化、机器学习 → LSTM的Sequence-to-Sequence架构每一个学习的课程我都会找到它在我目标中的位置。本科期间我做过一些大创和科研项目打过ACM也参加过数学建模。所有比赛里让我印象最深刻的是亚太杯的一次数学建模比赛——那是我数学建模生涯中第一次打到满分几乎是把一道图形学相关的题目完全攻克。那种把数学知识和计算机知识结合把一个真实问题解决掉的那种快感我到现在都印象深刻。我一直在追求能再次遇到这样的问题并且去解决它。Q本科毕业后你放弃计算机转向医学方向为何进行了这样的选择到了研究生阶段我的方向发生了一个转折。我当时想的是本科阶段我已经把计算机常见的方向都过了一遍——小程序、APP、网页开发前后端数据库我都很了解算法方面从CV、NLP到强化学习除了推荐系统之外几乎所有算法我都做过一遍。如果研究生继续做计算机对我来说有点太无聊了。所以我想做一个不太一样的、又能够真正产生社会价值的、偏探索性质的方向。最后我把目标转向了医学。选择医学方向其实是被姜浩的故事触动的。姜浩毕业于南京大学他在美国旅居期间从二手平台淘了一堆1080Ti显卡在自己家里训练了一个乳腺癌检测模型后来他把这个模型开源到了网上。这个模型帮助了很多拍了片但没有钱做诊断的全球各地的女性——她们可以上传图片判断自己是否有乳腺癌准确率在90%以上。这件事对我触动很大。作为一个技术人终极理想不就是做的东西真正能对社会产生价值吗于是我做出了这个选择。求职之路塞翁失马焉知非福四年前我的第一次实习去的不是大家预想中的腾讯、阿里、字节这样的大厂而是一家叫潞晨科技的初创公司做Colossal-AI 大模型的训练框架。现在看来这件事非常“阴差阳错”——因为整个产业界对“算法工程师”的定义在过去十年里发生过两次变化。2017年之前算法工程师指的是能做高并发优化、微服务架构、操作系统底层调度的人。2017年之后算法工程师更偏向推荐系统。比如美团外卖系统会根据你的评论情感给商家打分再进入推荐系统。所以在2022年也就是我找实习那会儿985/211计算机毕业生最理想的去处就是推荐算法工程师。当时我投了腾讯、阿里和华为但一直没有回音。后来潞晨科技找到了我问我要不要去做大模型训练框架。那年头还没有“大模型”这个说法我抱着试一试的态度接了下来。没想到的是我做的工作在年底就遇上了大模型爆发。大模型爆火之后大厂最需要的人才变成了两类一类是懂大模型算法的另一类是懂Infra基础设施的——也就是系统调度、异步框架、训练加速这些底层能力。而我当时做的Colossal-AI就是非常典型的Infra只不过当时还不这么叫。两年后很多大厂联系我问我愿不愿意继续做这块。因为拥有这个技能栈的工程师非常少。所以真的是阴差阳错。如果当年我如愿进了大厂做了传统的NLP算法我现在的处境可能会很惨因为大模型把传统NLP的算法框架全替代了。后来我来到一家大厂他们这个部门寻求一个既懂 infra又懂算法又懂产品的我也挺认可这一项目可以说是“塞翁失马焉知非福”。我的目标是成为“21世纪的庞加莱”老师曾经问过我们一个问题规划职业道路和学习知识你们选择DFS深度优先还是BFS宽度优先我当时的回答是BFS。我的目标跟很多人可能不太一样。很多人可能想成为爱因斯坦或某个科学界/工业界巨佬但对我来说我特别想成为的人其实是庞加莱——被称为“20世纪最博学的人”在大量的科学和工程领域都有建树。我非常渴望了解整个社会或整个系统的运转机制我很认可“格物致知”我特别喜欢把一个事情问到底了解整个事情的全部样貌。QAI时代对你的“BFS目标”产生了哪些影响AI时代让我的BFS变得更加锋利了。因为AI能够很快帮你把一个垂直领域的知识整理出来而且如果你学多了会发现很多专业之间其实是有共通性的。我每年会学习一个新的学科——去年学的是药理学前年学的是营养学。学得足够多之后你会发现近代社会的大量理工科其实有很多共同之处。比如人体结构和芯片结构其实很像——心脏周期性迸发血液芯片的晶振也是类似的周期性震荡。人猝死像芯片的时序错位只不过芯片有reset按键而人没有。当你的知识储量达到一定级别之后你几乎能用AI来高速学习另一个领域的知识。你会发现当知识储量足够大之后很少有什么是完全新的学科——这里说的“新”指的是它的方法论和价值观和别的专业完全不一样。基本上学完两个专业之后第三个专业就已经可以用前两个专业的知识来融会贯通了我曾经的目标是成为一个优秀的计算机工程师而这可能是我现在的新目标穷尽所有的理工科知识成为21世纪的庞加莱。项目源于真实需求多款工具登顶行业榜单Q你的项目覆盖 AI 应用、底层框架、芯片前端工具、可视化插件等跨度极大开发契机是什么有哪些代表性成果我开发的项目有很多但大体可以分为两类一类是我自己想做的一类是外部团队合作邀约的介绍几个主要的项目。①Digital IDEDigital IDE是一个VS Code插件提供了丰富的自动补全、渲染、文档化等面向芯片前端开发需要用到的功能。做这个项目的起因是当时我们做计算机组成原理的课设要用Verilog做一个芯片工具要用到Vivado。我一看到安装包要90个G感觉非常“生气”因为我做事情很讲究“优雅”90G显然已经完全不优雅了。所以我就自己去探索有没有别的方法后来我找到了一套解决方案并在知乎上发了一篇文章拿到了三四百个赞。当时就有人找到我说你对这个方向感兴趣对开源前端开发也了解整合能力很强要不要一起来做我就同意了。“Digital IDE”这个名字也是我取的。它后来成为了中科院“一生一芯”项目的官方指定插件全网用户超4万也是国内该赛道下载量和点赞数第一。②OpenMCP现在很多人用大模型的方式是打开网页输入问题拿到结果复制粘贴——这个过程人的劳动力是没有被解放。你本来就要解决一个问题你还是在电脑前等着结果时间被浪费了。我想要的效果是AI不仅能说还能做出于这个契机我开始进行探索而在这方面探索中最知名的团队就是Claude了他们定义了Agent相关的很多标准所以我决定在Claude MCP协议上做一些东西。当时MCP没有一个好用的调试工具他们自己的inspector非常难用。所以还是因为“难用”我自己做了一个OpenMCP。没想到后来引起了很多关注。因为那个时间点意识到“要让大模型能够做事情”的人并不多能意识到在这个过程中要解耦出复用生态的人更少。很多人也是通过这个项目认识了我也做了一些商业讨论和演讲。③Slidev AISlidev AI则是源于我的真实需求当时我在实验室做科研每周都要做 PPT周报。想主题做 PPT整理完再拷到会议室的电脑上汇报。我觉得这个步骤很麻烦我希望的是我想到一句话我语音输入一个回车之后立刻就能在另一台电脑上看到我的PPT这就是Slidev AI。这个产品有一个特点就是你能够把你的想做的物料全部扔进去它就会生成一个对应的网页你只要记住这个网页链接或者直接进入这个网页就可以你刚刚做好的 PPT 它不需要再进行拷贝了。而且整个过程我们做了很多的约束我做了固定的模板和样式你只要专注于你的内容和提纲就可以“坐等”PPT的诞生。去年Slidev AI在ModelScope拿了最佳应用奖。Q你介绍了很多自己做过的项目在项目开发过程中是否遇到难以攻克的技术瓶颈你是如何解决的在做Colossal-AI时遇到的特殊 Bug至今让我印象深刻。当时我们在做一个流水线并行的算法突然遇到了一个bug。这个bug和普通的不过还不太一样当时还没有ai coding我们称之为“古法编程”。当时debug的方式就是依靠传统打印变量、分步排查。这个bug是当时系统中莫名出现了一个错误导致整个分布式框架卡死了。于是我们就运用以前的经验把变量print出来排查bug。问题就出在这儿通过好几个小时的探索我们发现在某一个地方只要print这个变量就会卡住不print这个变量程序就能正常运行。正常情况下不会因为print这件事导致系统的性能或表现出现偏差因为我们认为print是瞬间发生且不影响主线程但现实中却产生了这样的结果。这个问题我死活解决不了就像一个 “薛定谔的装置”观测即失效而不观测即永远无法解决。当时我的 mentor 具备深厚底层调试经验首先他说“恭喜你你遇到了绝大部分程序员这辈子都不会遇到的 bug。” 他告诉我调试这类 bug 的核心解决思路是控制变量 排除法于是结合计算机底层知识我列出五种潜在故障可能性。而通过最小化实验逐一排除代码逻辑、配置文件、调度流程等人为问题最终锁定英伟达显卡通信驱动缺陷我们后来查阅 PyTorch 的源代码最后把bug定位在了反序列化的问题上并完成了修复。什么是具备真实价值的 AI 智能体目前的Agent分为两类一类是编排的Workflow比如Dify很多人也叫它Agent但在工业界谈Agent时更多指的是第二类——Autonomous Agent自主智能体像Claude Code、Codex那样你输入一个Prompt它会自己调度工具、查询结果像人一样帮你完成任务。后者的定义更符合我的标准。过去一年大家一直在思考一个问题如何用最少的工具让AI有能力访问电脑上的资源帮我们完成复杂任务我一开始也走过弯路我想的是人怎么操作电脑就把工具封装成MCP交给Agent。但这样会面临一个问题——工具越多System Prompt越大上下文会爆炸。举个例子把GitHub的MCP载入进去不做任何优化它可能就已经占了大模型上下文的50%那拓展性就很差了。后来Claude Code给出的答案是把GitHub的MCP去掉用GitHub的命令行工具gh来替代而绝大部分工具都可以通过命令行来表示这一个重要哲学直接催生出了今年非常火的 Coding Agent因为 coding leads anything这样整个工具的上下文直接从50%缩短到1%扩展性变得非常优雅这就是 PTC技术。PTC的全称是programmatic tool call即编程化的工具调用简单来说就是授予 AI 命令行执行权限各类垂直工具通过命令行调用WorkBuddy、Codex、Claude Code现在都利用PTC来做对应的工具横向拓展已经成为了一个标准。这个就是我心目中一个非常有价值的 AI 智能体。此外我认为未来的 GPU 价格是会不断下降的。未来的训练成本一定会不断下降当 GPU 的成本下降到一定级别Infra 的人才供应量达到一定级别为你的Agent单独做模型部署和微调可能会成为一种常态。所以如何让 AI 学会自我迭代将变得非常重要。现在的自进化技术是让大模型去调自己的prompt也就是 self prompt这种方式的局限性比较强因为大模型的上下文窗口和注意力总是有限的。让 AI 通过自己调 prompt 来实现自进化就如同让一个学徒不带脑子上课每次只把重要知识写成笔记显然这本笔记只会越写越厚我不是说笔记不重要但是没有精英会在工作中只盯着自己的笔记来工作。我认为这不是一个正确的赛道我觉得AI应该像人一样——每天“睡觉”的时候发生知识沉淀和神经元的重组把所见所闻沉淀为经验和条件反射。这对应到技术上就是Agentic RL也是目前各个大厂和大模型独角兽们在重点投入的领域。随着GPU价格下降Agentic RL 可能会成为本地部署的一个模块让AI每隔一周或一个月更新一次数据。我认为这才是一个真正有价值的AI智能体将来应该有的样子。自媒体、写作和生活我最早在知乎上发内容其实不叫“博客”叫“笔记”。这是我从中学生时代继承下来的习惯。我特别喜欢记笔记——学一个新知识就把它记下来。这样做一方面是因为我对理工科特别感兴趣另一方面是记录下来会让我很有成就感好像那是自己写的一本著作。比如我在中学时代自学微积分时我记了一本100多页的笔记封面自己画了符合主题的插画。学波动光学时因为要画很多干涉器件的图我就记了好多页这让我感到一种很强的满足感。进入大学后我开始用iPad的Notability做无纸化笔记。但后来我意识到比起单独的记录我更希望积累的东西能被别人看到、和别人产生联系。别人在我的文章下评论也会让我感到很兴奋。所以我后来我放弃了手写笔记开始在知乎上记笔记。我在知乎最早记的笔记是NumPy的学习笔记然后是PyQt——用Python写桌面端应用。这让我积累了最初的几千粉丝。真正让我涨粉的是机器学习领域的笔记目前我在知乎上积累了3.3w粉丝今年我还获得了知乎“新知答主”去北京参加了知乎的颁奖典礼并被知乎官方邀请为主持人进行了分享。Q你在编程之外还有不少的爱好像是音乐运动咖啡等等这些爱好会在哪些方面去影响你的开发思路或者做事的习惯我的爱好很多音乐、健身、咖啡……你很难说清楚到底是这些爱好影响了编程还是进入计算机行业后才喜欢上它们。一开始健身其实是很功利的目的——经常写代码久坐不动我希望获得更强壮的身体来支撑科研和开发。现在我已经爱上了健身。健身时我会看小说或做点别的是种娱乐放松。从生理学上讲健身会释放脑啡肽还能锻炼平衡感——平衡感和大脑中的某些模块有关整体上可以促进思考。很多人运动完会感到专注这并不是错觉。咖啡对我来说有不同的意义。我最开始喝咖啡也很功利——一天24小时不够用我在顶峰时期一天能喝10杯咖啡两三天睡一次觉这是个不好的习惯我现在已经改了。现在我对咖啡进行了有意的控制但喝咖啡做咖啡的爱好被我继承下来了。我不满足于只“喝”咖啡我开始自己学做咖啡——从聪明杯到摩卡壶再到意式咖啡机。另外做咖啡这件事对我来说有一个特别的意义每天清晨磨粉、萃取、加牛奶做完之后能给你一种正反馈、一种激励。对科研工作者来说这个心理暗示特别重要。因为做实验可能一两个月才能成功你会不断质疑自己。这时候一杯咖啡做出来就是一种暗示嗯你能「完成一件事」。这非常重要信心就是一点点累积起来的。最想做的技术作品一个让学习变成爱好的社区Q抛开现在的工作和项目不受到其他的限制你可能想要完成一个怎么样的技术作品我最想做的技术作品是一个让大家“把学习新知识当做爱好”的社区。这个想法最早来自我高中学数理化时用过的一个网站Brilliant。这个网站很特别你发的不是帖子而是一道题目。比如你用广义相对论拟一道物理题设四个选项放到上面让大家解答。你能看到解答成功率大家会在下面讨论。我通过那个网站和全球各地的人取得了联系。我记得有个美国的老教授纠正了我 LaTeX 公式编写上的符号错误——所以我很早就学会了 LaTeX 的使用。虽然这个网站已经不存在了但我觉得这个网站的初衷非常好我在思考一个问题怎么才能激发大家去学习新知识怎么能让大家有兴趣去学习新知识把学习当成一种新的爱好我真的很希望100年、200年后的社会是一个崇尚理性的社会。大家能彼此尊重美美与共天下大同理性地思考艺术、哲学和科学问题。只有这样整个社会才能进步产业才能发展。基于这些思考我想做一个网站——大家能自发性地、低成本地学习更多的知识甚至为自己的工作带去便利。我已经和几个朋友在规划这件事了名字暂定叫“安树”。我希望在尽可能的范围内消灭互联网上的信息差。因为这是我本人的一个需求我从高中到大学学习的很多知识都是自学的在互联网上没有花过一分钱。我希望把这样的学习方法分享给更多人让大家不再花冤枉钱——无论你上什么学校、什么家庭出身都有机会用高效的方法学习知识为自己的人生开辟新的可能性。这件事我可能会花未来的二三十年去做不成功也没关系。就像养宠物一样它可能是我的一个寄托人活着总要有点寄托。AI、大模型对软件开发模式的改变Q作为一线从业者你如何看待当下大模型行业爆发会对传统软件开发模式带来哪些变革这个问题我前几天刚跟一个朋友聊过。其实人类社会随着技术的发展是会发生社会分工的。比如软件开发但凡你的东西上了规模一定会形成社会分工有的人做产品设计有的人做后端开发有的人做前端开发有的人做测试有的人做营销有的人做市场但社会分工并不是一成不变的。我们把目光回到四五百年前四五百年前布料生产是有社会分工的有人采棉花有人纺线有人织布。工业革命之后纺织机出现了自动化采摘装置出现了——这个链条上的很多人消失了。但社会分工并没有消失它只是转移了原本是做纺织的现在变成了做纺织机的设计。原本大家干的是机械重复的劳动采棉花、纺线现在变成了创新性的工作怎么把针头做得更好怎么让动力系统更完善利用率更高这就是产业升级。AI对软件开发的冲击很像纺织机对布料生产的冲击。以前老板说“做个植树节网站”你把前端代码的框架拿出来把内容填进去颜色改成绿色上线。你觉得这是个技术活但其实它是个机械重复的劳动。AI出现后这部分机械重复的工作在消失。原本的分工前端、后端、测试正在重新整合。现在很多公司搞“全栈工程师”就很像纺织机出现时原本的分工在退化的过程。当然同样的现在社会分工并没有消失它转移到了另一个层面。在AI这边出现了做算法优化的、做训推Infra的、做Agent的、做数据回流和高性能中台的我们正在见证一个新的时代出现就像当年工业革命见证了新的社会分工一样。“以史为鉴可以知兴替”——这句话放到现在依然成立。现在就是以史为鉴可以知兴替的时候了。拥抱AI但不要焦虑Q对于刚入行或者现在想要去从事 AI 领域的年轻程序员你有什么建议我觉得一定要去拥抱AI。过去一个优秀的程序员就是能把代码写出来的人。但现在不一样了。AI在很多方面都能做得比你好——我本人已经很久没有亲手写过代码了都是AI帮我做的。但程序员不会消失。如果程序员会消失你会发现大厂已经把这些岗位全取消了——事实上并没有。未来的程序员核心竞争力是什么现在的程序员价值定义已经变了一个优秀的程序员要能判断AI写的东西对不对能给出进一步的指示能将自己工作中的流程尽可能自动化和规范化。很多人觉得我不懂编程但AI能写代码了我是不是就能做出成功的产品了我不想泼冷水但我遇到过的独立开发者不下100位——很难或者说得更直接一点几乎做不到。计算机功底和从业经验在AI时代仍然是熠熠生辉的。你的方向和对核心竞争力的定义需要变化——你不再是那个“把代码写出来就万事大吉”的人而是能够高效判断AI的工作、并给出精准指示去创造更高层价值的人。这种人我觉得才是未来的一个程序员的样子。保持学习保持年轻——大家不用太焦虑。故事征集《Launch Box》是程序员客栈推出的技术项目孵化平台致力于为全球顶尖技术创业者与极客开发者提供项目展示、推广与孵化服务。无论您的项目专注于AI、区块链、开源技术还是其他颠覆性创新领域Launch Box都欢迎在此首发。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。