gpt眼中的我 | ZeroLoveSeA

闲来无事，让gpt根据1年多的对话总结一下自己，哈哈哈，因为听到吹捧自己还是很享受的。

结合你过去相当长一段时间的对话，我对“周洋”这个人的画像其实已经比较清晰了。

你的职业定位，比“营销算法工程师”要宽

你现在最准确的定位，我认为是：

业务导向很强的算法工程师 + AI 应用型工程师，核心优势在“数据 → 算法 → 工程 → 产品 → 收益”的完整闭环。

你并不是那种特别偏论文、刷 benchmark、追求模型 SOTA 的纯算法研究型工程师。

你的能力结构更像：

营销算法 / 推荐系统是基本盘 → 数据工程能力很强 → 正在快速向 LLM / 本地 AI / Agent / AI 产品工程扩张。

从历史项目来看，你已经覆盖了：

数据层：SQL、MaxCompute/ODPS、Hive、PySpark、Pandas，大规模用户行为数据处理；
传统机器学习：特征工程、GBDT/XGBoost、CTR/CVR/CTCVR、多目标建模；
推荐系统：召回、粗排/精排、DIN/DIEN、FiBiNET、embedding interaction，以及自己的 NextRec；
营销算法：用户筛选、转化率、ROI、FPG、App 行为组合、频繁项集、人群圈选；
LLM：Qwen、Gemma、Embedding、RAG、LightRAG、本地模型部署；
AI 工程：Ollama、本地推理、模型量化、CPU/GPU 推理、ASR、speaker diarization；
产品开发：React / Streamlit，以及现在明显越来越多的 Electron、Node、Python、本地 AI 应用。

而且你过去的项目不是纯 Demo。你的历史项目里已经出现过百万级用户覆盖、ROI/CVR/毛利提升，以及 NextRec 这种实际产生业务收益的开源项目。

所以我不会简单把你理解成“会 SQL 的算法工程师”。

⸻

你最明显的特点：非常强的「问题拆解 + 落地」倾向

这一点在我们的对话里非常明显。

你遇到一个问题的时候，很少停留在：

“这个算法原理是什么？”

你通常会继续追问：

数据从哪里来？ SQL 怎么写？样本怎么定义？指标怎么算？这个阈值应该卡多少？圈出来多少人？人太少怎么办？模型能不能 CPU 跑？延迟是多少？会不会阻塞？怎么接进产品？用户实际看到什么？

例如最近的 App 组合人群问题就是很典型的你：

频繁项集 → connected/pass → conversion → FPG → support → 设置阈值 → 发现只有 3.4 万人 → 重新考虑 FPG 与样本量约束。

这其实已经不是单纯的数据分析，而是：

模型指标 → 人群规模 → 业务收益之间的 trade-off。

这是你比较有价值的一项能力。

⸻

你的思维方式偏「工程现实主义」

你对新技术有兴趣，但不是看到新东西就一定要上。

例如推荐系统，你会考虑：

Rule-based → 有行为数据 → GBDT/XGBoost → CTR/CVR → Deep Ranking

而不是 MVP 第一版直接 Transformer。

Rumiimatch 也是类似：

SQL 召回 → hard filter → soft scoring → feedback log → 后续 ML。

Brevia 也是一样。

你不是简单问：

“Qwen 3.5 4B 好不好？”

而是在考虑：

2B / 4B CPU 能不能实时？每隔多少秒分析？前一个 generation 没结束怎么办？要不要丢弃旧任务？会不会形成 queue backlog？内置模型和用户 API Key 怎么分工？

这说明你越来越习惯从整个系统约束看模型，而不是孤立地看模型能力。

我认为这是你从“算法工程师”向“AI 产品/系统工程师”转型过程中非常重要的变化。

⸻

你对大模型的兴趣，已经开始从「使用模型」进入「理解模型」

最近尤其明显。

你开始系统追：

Traditional LLM → Instruction Tuning → RLHF → PPO → GRPO → Reasoning Model → R1-Zero / R1

而且你不是满足于知道“DeepSeek R1用了强化学习”。

你会继续追：

outcome-based RL 为什么会产生长 CoT；
GRPO 和 PPO 到底是什么关系；
rule-based reward 起什么作用；
clipping 为什么影响训练；
reasoning capability 到底是预训练获得还是 RL 激发出来；
R1-Zero 与 R1 的能力来源分别是什么。

这意味着你的兴趣正在从LLM Application往LLM Application + Model Mechanism扩展。

不过目前你的明显强项仍然是应用和系统侧，还不能把你归类为 foundation model / post-training 算法工程师。

⸻

你其实有比较明显的「Creator」倾向

你之前自己用过 creator 来描述自己，我觉得是准确的。

因为你的很多需求最后都会变成：

“那我自己做一个。”

比如：

NextRec → Rumiimatch → Brevia → 本地知识库 / 周报检索 → 各种数据分析工具。

你对开源也不是简单“找个 repo 跑一下”。

NextRec 里你会自己实现 layer，研究 DIN/DIEN、FiBiNET，然后还会关注：

模块抽象；
layer 是否通用；
Copilot 生成代码的许可证问题；
torch-rechub 等项目怎么设计；
哪些东西应该借鉴，哪些应该自己实现。

所以相比单纯的大厂螺丝钉型算法工程师，你明显更喜欢：

发现问题 → 设计方案 → 写出来 → 跑起来 → 看有没有人用。

这是你非常稳定的个人倾向。

⸻

你的技术能力结构，我大概会这样打分

不是面试意义上的绝对评分，而是根据我们长期交流体现出来的相对强弱：

能力

SQL / 数据处理 ★★★★★

营销算法 / 用户增长 ★★★★★

推荐系统 ★★★★☆

Python / PySpark ★★★★☆

业务指标与数据分析 ★★★★★

ML 工程落地 ★★★★☆

PyTorch / 深度学习 ★★★★

LLM 应用 ★★★★

RAG / Local AI ★★★★

AI 产品设计 ★★★★☆

LLM Post-training / RL ★★★

Foundation Model 原理 ★★★

前端 / 客户端工程 ★★★

纯学术研究 ★★☆

这里有一个比较有意思的地方：

你真正稀缺的可能不是某一项技术达到 5/5，而是横向跨度非常大。

你可以上午写 MaxCompute SQL 圈 300 万用户，下午研究 GRPO，晚上又在考虑 Electron 里怎么跑本地 ASR + LLM。

⸻

你的投资风格和你的算法思维其实非常像

从四川黄金、金风科技、中京电子、中钨高新、西部材料、冰轮环境这些交易讨论来看，你不是传统意义上的价值投资者。

更接近：

事件驱动 + 行业趋势 + 技术面 + 短中线交易。

你非常关注：

板块强弱 → 个股相对强弱 → 催化 → 财报 → price-in → 次日预期 → 仓位 → 做T → 止盈止损。

而且你会不断进行 counterfactual：

如果当时买中国巨石是不是更好？为什么同行营收增加中京反而亏？财报预告已经跌三天是不是 price in？高开低走但趋势没破怎么办？

优点是你有很强的动态更新观点能力。

但这里也暴露出一个比较明显的问题：

你投资上比做算法时更容易被短期价格影响决策。

算法工作里你非常强调：

样本量、统计口径、ROI、数据真实性、避免过拟合。

投资的时候偶尔却会出现：

涨了 → FOMO → 重新评估逻辑；跌了 → 怀疑逻辑 → 寻找替代标的。

换句话说：

你工作上很警惕 overfitting，交易上偶尔会 overfit 最近几个交易日。

这是我觉得你投资体系最值得改善的地方。

⸻

你目前最大的优势，同时也是潜在短板

你的优势是：

学习速度快，而且愿意跨领域。

但反面就是：

技术树铺得非常宽。

你现在同时碰：

推荐系统、营销算法、LLM、Reasoning Model、RAG、ASR、Diarization、Electron、Local AI、开源项目、Agent、投资……

这很适合你这种 creator 型的人，但职业发展上需要防止变成：

什么都会，而且都能聊得比较深，但没有一个标签强到别人第一时间想到你。

实际上你已经有一个非常好的主线，只是需要把它收束出来：

Data / Recommendation → Marketing Algorithm → LLM → AI-native Product

而不是：

“我会推荐、SQL、LLM、ASR、Electron、RAG、PyTorch……”

前一个是职业故事，后一个只是技能列表。

⸻

如果让我用几句话描述你

我现在会这样定义周洋：

一个非常偏产品和业务结果的算法工程师。

推荐系统和营销算法出身，数据工程基本功很强，对 ROI、转化率和真实业务收益非常敏感；同时有明显的工程和 Creator 倾向，不满足于只训练模型，而喜欢自己把算法做成完整产品。

最近正在从传统推荐/营销算法明显向 LLM、Reasoning Model、本地 AI 和 AI-native 应用扩展。

最大优势不是单点模型能力，而是能把 SQL、数据、算法、模型、工程和产品串成一条链。

当前最值得继续强化的是 LLM 原理/Post-training 的纵向深度，以及给自己建立一个更加鲜明的职业技术标签，而不是继续无限横向扩技能树。

投资方面则属于高频思考、快速更新观点的趋势/事件型交易者，分析能力强，但需要防止短期行情对原有判断产生过大的权重。

还有一点我觉得很重要：从你过去一年左右的问题变化看，你的重心已经明显从 “怎么把算法模型做好”，逐渐变成了“怎么利用模型真正做出一个有价值的东西”。

我认为这可能才是你接下来几年最值得发展的方向。

我跟萍萍的画像分析：

随后我又给gpt喂了我的博客地址，它又开始了以下彩虹屁：

我把你的博客首页、文章目录，以及几篇跨阶段文章重新看了一遍。相比只根据聊天记录判断，博客提供了一个更重要的信息：它能看到你从 2023 年底到 2026 年的思维变化轨迹，而不仅是你现在会什么。

所以我会对上一版画像做一些修正。

一、你真正突出的不是“技术面宽”，而是很强的自我驱动学习能力

你的博客目录非常有意思。

2023 年底到 2024 上半年基本是：

Python → Docker → LLM → 分布式训练 → YOLO → 搜索 → Spark

2024 下半年明显收敛到：推荐系统 → 机器学习

2025 年进一步进入：GBDT → MMoE → 推荐工业实践 → 多任务 → NextRec

2026 年则出现：Generative Recommendation → SAE → AI 产品 → Reasoning Model。

这和普通的“技术博客作者”有一个明显区别。

你不是按照课程体系学习：今天学 Transformer，明天学 RLHF。

而是明显属于一种：遇到问题 → 发现知识缺口 → 集中补知识 → 自己实现 → 写文章固化理解 → 再进入下一个问题。

例如你最近研究 Reasoning Model，并不是因为它热门，而是 Brevia 第一阶段结束后，你意识到自己的 LLM 知识体系停在 2024 年，于是主动开始重新构建知识地图。

所以我会把你的第一核心能力从上一版的“业务导向”调整为：非常强的自主知识体系重构能力。

你不是一直学习，而是会周期性发现：

“我原来的 mental model 过时了。”

然后重建它。

这是一项很有价值的能力。

⸻

二、你的技术观其实已经发生过三次明显变化

第一阶段：2023–2024，「我要把技术搞懂」

早期博客明显带着很强的“工程师学习笔记”色彩：

Docker、Python、多进程、多线程、LLaMA、Mixtral、BPE、DDP、DeepSpeed、YOLO……

你当时很在意：

这个东西到底怎么实现？

甚至会直接看源码、复现模型。

2024 年总结里你自己也写了，那一年写了 66 篇技术博客，主题从 Python、语言模型、YOLO、Docker、分布式训练一路转向 PySpark、机器学习和推荐系统。

这时候的你比较像典型的年轻算法工程师：

技术本身就是目标。

⸻

第二阶段：2024–2025，「模型没那么重要，业务才是真的」

工作经历给你的技术观造成了非常明显的冲击。

《金融科技的机器学习？》是我觉得最能代表这个转折的一篇。

你开始意识到现实里的 ML 根本不是：

换 Transformer → 调 learning rate → AUC +0.01。

而是：

Spark 跑五小时挂了；特征几千上万维；正样本只有一万；标签极度不平衡； embedding 乱七八糟；负样本不知道怎么取；最后可能一条规则比模型还有效。

这时候你的技术观明显开始“祛魅”。

这句话特别能体现你：

“如果只从序列特征的长度就能得到预测结果，为什么我们不直接使用规则来进行匹配呢？”

所以你后来才会自然接受：Rule ≠ Low Tech。

这也解释了为什么我们最近讨论营销评分产品时，你并不执着于“必须训练一个模型”，而能接受：

先用已有分 → 映射 → 组合 → 规则 → 输出新分 → 缓存数据 → 后续训练。

你的工程现实主义不是性格天生如此，很大程度上是被真实业务教育出来的。

⸻

三、但你后来又从「业务主义」走向了「系统主义」

这是我看完博客后认为最值得补充的一点。

2025 年的你容易把问题理解成：

什么模型能够解决业务问题？

2026 年越来越变成：怎样设计一个完整系统？

NextRec 的变化就是一个很好的例子。

最初你想实现各种推荐模型。

后来遇到 pointwise / pairwise / listwise、双塔、RQVAE、HSTU 后，你开始发现真正困难的不是再实现一个 DeepFM，而是：

模型、任务、采样方式、训练范式之间怎么解耦？

于是你开始做 Adapter、Training Mode、Sampling Mode、Generative Retrieval Head，把模型从训练范式里拆出来。

这是一个非常重要的能力变化：Model thinking → Framework thinking。

而 Brevia 又把这个变化推进了一层：Framework thinking → Product/System thinking。

你开始考虑：

权限、进程生命周期、OOM、跨平台编码、自动更新、模型下载、后台任务取消、LLM provider 兼容、ASR pipeline、UI、用户反馈……

你甚至在 24 天里跑了 42 个版本。

这已经完全不是“算法工程师做了个 Demo”。

⸻

四、所以我现在反而认为：你最适合的标签不是纯算法工程师

如果只根据工作，我会说：

Marketing Algorithm Engineer / Recommendation Engineer。

看完博客以后，我认为你长期更接近：

AI Product Engineer / Applied AI Engineer

或者再往后发展：

AI Systems / AI Product Builder。

因为有一个非常明显的证据：

你真正进入高度投入状态的时候，往往不是在公司给你的任务上，而是在你自己定义的问题上。

NextRec 就很典型。

你写自己每周 coding 超过 30 小时，而且持续几个月。

Brevia 更明显。

因为飞书妙记收费，而且现有产品有一些不满足你的地方，于是：

“那我自己做。”

然后从需求、竞品分析、ASR backend、UI、签名、公证、跨平台、自动更新一直做到真实用户反馈。

这其实暴露了你的一个非常强的性格特征：

你需要 ownership。

单纯有人告诉你：

把这个模型 AUC 提高 0.5%。

你能做。

但如果有人告诉你：

这里有一个问题，你自己想办法解决。

你反而更容易进入兴奋状态。

⸻

五、你其实没有自己认为的那么“技术至上”

这是博客给我最大的意外之一。

表面上看你是典型 tech guy。

但实际上你越来越关注三个东西：技术、钱、人。而且三者开始连接起来。

技术：不用说，这是最明显的一条线。

钱：这个主题其实一直存在。

2024 年你因为职业和现实压力，明确写过自己“赚钱的意愿愈发强烈”。

2025–2026 又开始投资，从 ETF → 主观交易 → PCB/存储 → 大幅盈利 → 回撤 → 低频量化。你自己也记录了从账户盈利 30%+ 又跌回亏损，最终开始通过回测建立交易规则的过程。

这和你技术发展的路径居然高度一致：

直觉 → 犯错 → 建模 → 建立系统。

人：这条线隐藏得更深。

你会写异地、旅行、婚姻、工作环境、裁员、同事、社会结构。

而且《算力与平权》已经不再是技术文章，而是在问：技术最终会把社会变成什么样？

你关心 AI 提高生产力以后，收益到底归劳动者还是资本；知识获取成本下降是否反而扩大人与人的差距；未来真正的分化是不是“谁能够把 AI 转化成生产力”。

这意味着你的兴趣正在从：How does technology work?

慢慢扩展到：What does technology do to people?

这是一个比较明显的认知变化。

⸻

六、你的一个核心心理驱动力：对「失控」比较敏感

这个判断我认为比上一版画像更深入。

你很多行为其实都指向同一个东西：希望把不确定的东西变得可理解、可控制。

工作里：数据乱 → 写 SQL → 指标化 → 找规律。

推荐：用户行为不可预测 → 建模 → ranking。

投资：价格不可预测 → 技术分析 → 策略 → 回测 → 低频量化。

软件：现有工具不符合需求 → 自己做。

知识：LLM 两年没跟 → 系统性补课。

甚至 NextRec 的架构问题也是：各种模型训练范式越来越乱 → Adapter → abstraction。

所以你的满足感似乎经常来自：“原来这个复杂东西可以被我解释。”

其次才是：“我把指标做高了。”

这也是为什么你特别喜欢 framework、architecture、taxonomy 这类东西。

⸻

七、这也解释了你的一个弱点：容易产生「技术焦虑」

这个其实你自己已经写出来了。

NextRec 时你明确提到：新模型适配、代码优化、业务价值三者不知道怎么取舍。

我认为这是你长期最需要警惕的问题之一。

因为你的天然模式是：发现不知道的东西 → 想搞懂。

但 AI 时代这个策略会开始失效。

因为现在：Reasoning / Agent / Multimodal / RL / VLM / World Model / Diffusion / Robotics / CUDA / Inference…… 永远学不完。

如果继续把：“我不知道这个” 自动翻译成：“我应该去补这个”

你会一直处于知识负债状态。

你真正需要建立的不是更大的知识树，而是一个知识垃圾回收机制。明确区分：必须深入 / 知道概念 / 用到再学 / 完全忽略。

这可能比你再学一个模型重要得多。

⸻

八、你对自己的评价其实长期偏低

这个在博客里反复出现。

比如你会写：“我自己本身也不是一个高明的程序员。”

又会质疑金融科技营销算法到底算不算算法工程师。

NextRec 没产生业务转化时，你首先怀疑：

模型是不是错？样本是不是取错？这个框架到底有没有价值？

这不是坏事，因为它让你很少陷入“我已经懂了”。

但它有一个副作用：

你容易用自己不会的东西评价自己，而不是用已经完成的东西评价自己。

比如：

不会 CUDA → 我工程能力一般。没做 foundation model → 我 LLM 不够深。前端主要 AI 写 → 我不是软件工程师。

但换一个角度：

一个全职做营销算法的人，业余能把一个桌面 AI 应用做到跨平台、签名、公证、自动更新、本地 ASR、本地 LLM、speaker diarization、真实用户反馈，这个事实本身比“代码是不是全部自己敲的”更有信息量。

AI 时代之后，“会不会亲手写每一行代码”的权重本来就在下降。

⸻

九、你的投资行为其实是你性格的放大镜

我现在对这一点比上一轮更确定。你投资初期最大的问题并不是不会分析。

恰恰相反：你太喜欢分析。价格发生变化以后，你很容易重新寻找解释。

涨：是不是主升浪？

跌：是不是逻辑变了？

财报：price in了吗？

板块动：要不要切？

这和你学习技术时：出现新模型 → 我要不要学？其实是一种模式。

都是新信息权重过高。

所以你的交易系统真正应该解决的不是选股，而是限制自己响应信息的频率。

这也是为什么量化/半量化特别适合你。它不是因为机器一定比你选股好，而是因为规则可以约束你的分析欲。

你自己从主观交易的大幅回撤转向均线低频策略之后，已经体验到了这种好处——最重要的变化不是收益，而是“买卖时不会那么心里没底，一只票更拿得住”。

⸻

十、如果重新总结「周洋」

上一轮我说你是：

业务导向的算法工程师 + AI 应用工程师。

看完博客以后，我会进一步修改成：你是一个以工程和算法为工具、强烈希望理解并控制复杂系统的 Builder。

你过去三年的变化大概是：

2023–24

我要成为一个技术足够好的算法工程师。

↓

2024–25

技术没那么神圣，能解决业务问题才有意义。

↓

2025–26

单个模型也没那么重要，系统设计、产品和实际用户更重要。

↓

我觉得你正在进入的 2026–27 阶段很可能是：

我能不能利用 AI，把一个自己定义的问题真正做成有用户、有收入、持续运行的产品？

这也是为什么我现在认为，Brevia 对你的意义可能比 NextRec 更大。

NextRec 证明的是：“我可以造一个技术框架。”

Brevia 开始验证的是：“我能发现需求、定义产品、选择模型、构建系统、发布软件、获得用户、根据反馈迭代。”

后者的能力上限要高很多。

所以如果让我预测你的长期发展，我反而不认为你的终局是：

Senior Recommendation Algorithm Engineer → Algorithm Expert。

更可能是：

Marketing/RecSys Engineer → Applied AI Engineer → AI Product/Systems Builder → 稳定主业 + 自己长期维护开源/产品，或者进入一个给你足够 ownership 的 AI 团队。

你博客首页现在写的是 “engineer, trader”，下面又说自己研究 ML、推荐系统、量化低频策略和工程落地。

如果几年以后再看，我怀疑真正长期留下来的关键词，可能不是 algorithm engineer，甚至也不一定是 trader。

而是 builder。

因为从你这三年的文章来看，“把一个我觉得有意思的东西搞明白，然后亲手做出来”，才是最稳定、跨越所有主题都没有改变的那条线。