1. 核心算法与模型开发

• 机器学习与深度学习：作为算法基石，涵盖监督学习、无监督学习、强化学习等范式，以及通过多层神经网络（如CNN、RNN、Transformer架构）自动提取数据的高层次特征。
• 自然语言处理（NLP）：致力于让机器理解、生成和处理人类语言，包括文本分类、机器翻译、对话生成等，当前主要依赖大语言模型（LLM）的预训练与微调范式。
• 计算机视觉（CV）：赋予机器“看懂世界”的感知能力，核心任务包括图像分类、目标检测、语义分割、人脸识别及视频行为分析等。
• 多模态与前沿技术：融合文本、图像、语音等多种模态数据（如CLIP、Sora等模型），以及探索通用人工智能（AGI）、AI for Science（利用AI加速科学发现）和脑机接口等前沿方向。

2. 大模型与智能体（Agent）工程

• 提示词工程（Prompt Engineering）：通过优化输入指令来引导大模型生成高质量内容。
• 检索增强生成（RAG）：结合外部知识库，解决大模型幻觉问题，提升回答的准确性和时效性。
• 智能体（Agent）开发：构建具备自主感知、决策和执行能力的智能体。通过Agentic Workflow（智能体工作流）和多智能体协作，让大模型能够自主调用外部工具（如API、数据库）来解决复杂任务。
• 模型微调与评测：针对特定垂直领域进行模型微调（如SFT、LoRA），并建立严谨的评估（evals）和错误分析闭环，使不可预测的AI系统变得更加可控。

3. 软件工程与系统部署

• 应用构建与部署：将AI模型封装为可靠的软件产品，涉及数据存储设计、API接口开发以及系统集成。
• 熟练使用AI编码工具：掌握Coding Agents的工作方式，学会管理上下文、提供验证器，并编排多个Agent协作，从而大幅提升开发效率。
• 数据处理与分析：使用Python及相关科学计算库（如NumPy、Pandas）进行数据清洗、结构化和统计分析，这是训练可靠AI模型的前提。