背景梳理 #

印度某高校AI/ML专业本科第6学期学生，目标为印度初创公司AI/ML实习岗位。已完成多主体临床推理系统、基于嵌入+向量数据库的电影推荐系统等项目，曾进入Meta x Scaler OpenEnv决赛，CGPA约8.2。多数项目依赖LLM辅助，能理解系统架构与工作流、调试代码、集成API/工具、部署项目及迭代优化输出，但在从零开发大型代码、自信实现核心算法、稳定解决DSA问题、脱离AI工具搭建系统方面存在不足。考试后计划：每日用Python练习DSA、完成Andrew Ng的ML+DL专项课程、夯实ML数学基础、深入学习RAG/LLM工程、提升沟通与问题解决能力。

以下是针对提问的务实解答：

1. AI/ML实习中，DSA与ML工程技能的重要性对比？ #

在印度初创的AI/ML实习招聘中，两者都是核心要求，但优先级和作用不同：

• DSA是敲门砖：绝大多数印度初创（哪怕是ML向）会把DSA作为初筛门槛，笔试或面试中会考察Python基础DSA题（数组、链表、动态规划等）。这是因为DSA能直接反映你的逻辑思维、代码严谨性和问题拆解能力——初创团队规模小，需要能快速上手解决各类问题的人，而非只会调API的工具使用者。
• ML工程是留用核心：通过初筛后，ML工程能力（模型部署、API集成、数据处理、MLOps基础）会成为决定你能否拿到offer、甚至后续留用的关键。初创更看重你能不能把模型落地成可用产品，能不能快速迭代优化，这些都依赖扎实的工程能力。
• 总结：两者缺一不可，先把DSA练到能稳定解决中等难度题，再侧重打磨ML工程技能，实习阶段两者同步推进，但初期DSA优先级略高。

2. 若候选人能深度理解系统，LLM辅助项目是否仍受认可？ #

绝对认可，但要满足两个前提：

• 能讲透项目底层逻辑：比如用LLM做的多主体临床推理系统，你要能说明为什么选这个架构、多主体协作机制是什么、LLM的局限性在哪里、你做了哪些优化（prompt工程、检索增强）、遇到过什么问题及解决思路，而非只会说“我用GPT生成了代码”。
• 能展示主动思考痕迹：比如把LLM生成的代码拆解重构，替换部分核心模块为自己手写的逻辑（比如把LLM生成的嵌入替换成自己用PyTorch实现的Word2Vec），或者针对LLM的不足做针对性改进——这会让面试官觉得你不是依赖工具的“prompt工程师”，而是会用工具解决问题的开发者。
  印度初创本身也大量用LLM辅助开发，他们更看重解决问题的能力，而非代码是否纯手写。

3. 应优先聚焦基础能力还是继续搭建进阶项目？ #

先补基础，再用基础支撑进阶项目，两者是递进关系而非二选一：

• 基础不牢的话，进阶项目只是“空中楼阁”：比如做RAG项目，不懂向量空间、相似度计算的数学原理，就只能照搬别人的代码，遇到问题根本找不到原因；DSA不行的话，连高效处理批量数据的代码都写不出来。
• 补基础的同时，可对现有项目做深度重构：比如把之前靠LLM辅助的电影推荐系统，自己动手实现嵌入生成、向量检索的核心逻辑，不用现成API——既能巩固基础，又能提升项目含金量，比盲目做新的进阶项目有用得多。
• 建议节奏：前2-3个月集中补DSA、ML数学、核心算法（跟着Andrew Ng课程走），之后再基于这些基础做1-2个有深度的进阶项目（比如自定义优化的RAG系统）。

4. 2026年印度初创公司对应届生的技能要求有哪些？ #

结合当前印度初创的发展趋势，2026年的要求会集中在这几个方向：

• 扎实的基础能力：熟练掌握Python、DSA，懂ML/DL核心数学（线性代数、概率论、微积分），能手写基础算法（线性回归、逻辑回归、CNN的前向/反向传播）。
• LLM/RAG工程能力：这是当前印度初创的热门方向，要求能搭建自定义RAG系统、做prompt工程、优化LLM推理效率、对接各类LLM API，甚至能微调小模型。
• MLOps基础：懂模型部署（Docker、FastAPI）、数据版本控制、模型监控，能把模型快速落地成可用服务——初创团队没有专门的MLOps工程师，AI/ML实习生需要自己搞定这些。
• 问题解决与沟通能力：能快速理解业务需求并拆解成技术问题，还要能和产品、后端团队沟通协作，把技术方案转化为业务价值。
• 项目深度：不看重项目数量，而是看重项目深度——比如推荐系统有没有优化过召回率、解决过冷启动问题、做过AB测试，这些比一堆浅尝辄止的项目有用得多。

5. 若处于该阶段，未来6-8个月会优先推进哪些事项？ #

结合现状和目标，按优先级排序：

1. 前2-3个月：夯实基础
   • 每日花1-2小时练Python DSA，重点攻克数组、链表、动态规划、哈希表等高频考点，目标是能稳定解决中等难度题。
   • 跟着Andrew Ng的ML+DL专项课程系统学习，同时补ML数学基础，做好笔记，手写核心算法代码（比如线性回归的梯度下降）。
2. 中间2个月：重构现有项目，补工程短板
   • 把之前的电影推荐系统、多主体临床推理系统做深度重构：替换LLM生成的核心代码为自己手写的逻辑，比如自己实现嵌入生成、向量检索模块。
   • 学习Docker和FastAPI，把重构后的项目部署成可访问的服务，练习MLOps基础流程。
3. 后2-3个月：深耕LLM/RAG，提升软实力
   • 深入学习RAG/LLM工程，做一个有深度的项目：比如搭建针对医疗领域的RAG系统，优化检索策略、做prompt优化，甚至尝试微调小型开源LLM。
   • 练习沟通和问题解决能力：找同学做模拟面试，或组队做项目，学习清晰讲解项目、拆解业务问题的方法。
4. 全程：维护好项目记录
   • 把学习笔记、重构后的项目代码、新项目代码整理好，标注清楚每个模块的实现逻辑与优化点，让面试官能快速看到你的成长。

内容的提问来源于stack exchange，提问作者Alok Singh