1. 这个行业现在有多火？#

先上几组直观数据，感受一下：

• 中国每万名产业工人拥有的工业机器人数量，从2015年的49台飙升到2025年的392台，十年翻了8倍
• 2025年中国工业机器人市场规模约180亿美元，预计2030年达到350亿美元
• 协作机器人（Cobot）增速最猛——可以跟人一起工作、不需要围栏的那种——2025年市场规模25亿美元，2030年预计120亿美元，翻了近5倍
• 最激动人心的是人形机器人赛道：特斯拉Optimus、小米CyberOne、达闼XR4、宇树G1等扎堆发布，2025年这个赛道从”实验室”走向了”小批量试产”

💡 一句话前景：机器人和AI的结合——“具身智能”——被高盛评为”2030年可能达到万亿级美元的超级赛道”。

2. 三个你必须知道的真实案例#

3. 赚多少钱？发展前景怎么说？#

🎯 就业趋势：BOSS直聘2026年Q1数据显示，“机器人工程师”职位同比增长87%，“具身智能”相关岗位增长300%+。平均一个机器人专业硕士毕业生手里握着3-5个offer。

4. 入门实战：用Python控制机器人#

别怕，不需要真买一台机器人（那确实贵），我们从仿真和原理开始：

1
import numpy as np
2
import math
3

4
# 一条最简单的2关节机械臂，算它末端能到哪？
5
def simple_2d_arm(joint1_angle, joint2_angle, link1_length=0.5, link2_length=0.4):
6
    """
7
    joint1_angle: 第一关节角度（度）
8
    joint2_angle: 第二关节角度（度）
9
    link1_length: 大臂长度（米）
10
    link2_length: 小臂长度（米）
11
    """
12
    a1, a2 = math.radians(joint1_angle), math.radians(joint2_angle)
13

14
    # 第一关节位置
15
    x1 = link1_length * math.cos(a1)
16
    y1 = link1_length * math.sin(a1)
17

18
    # 末端（手）位置
19
    x2 = x1 + link2_length * math.cos(a1 + a2)
20
    y2 = y1 + link2_length * math.sin(a1 + a2)
21

22
    print(f"肘关节位置: ({x1:.3f}m, {y1:.3f}m)")
23
    print(f"末端(手)位置: ({x2:.3f}m, {y2:.3f}m)")
24

25
    return (x2, y2)
26

27
# 试试不同角度（相当于机器人的不同姿态）
28
print("=== 姿态1：手臂伸直 ===")
29
simple_2d_arm(45, 0)    # 向前上方伸直
30

31
print("\n=== 姿态2：弯曲手臂 ===")
32
simple_2d_arm(30, 60)   # 弯曲回收

1
# 这是一个简化但真实的概念展示：
2
# 大模型如何把一句人话变成机器人能执行的步骤
3

4
def ai_plan_robot_task(human_instruction, scene_info):
5
    """
6
    输入：人的自然语言指令 + 当前场景描述
7
    输出：机器人可执行的动作序列
8
    实际应用中，这里会调用GPT-4o或Claude
9
    """
10
    # 模拟大模型的规划结果（真实场景中由LLM生成）
11
    plan = {
12
        "理解": f"用户想要：{human_instruction}",
13
        "分析场景": f"当前环境：{scene_info}",
14
        "分解步骤": [
15
            {"步骤": 1, "动作": "移动到指定位置前方", "注意": "保持安全距离0.5m"},
16
            {"步骤": 2, "动作": "识别目标物体", "注意": "用视觉确认物体类型和姿态"},
17
            {"步骤": 3, "动作": "规划抓取路径", "注意": "避开障碍物"},
18
            {"步骤": 4, "动作": "抓取物体", "注意": "力度适中，检查是否握稳"},
19
            {"步骤": 5, "动作": "移动到目标位置", "注意": "途中持续检测碰撞风险"},
20
            {"步骤": 6, "动作": "放置物体", "注意": "确认放置平稳后方松手"},
21
        ],
22
        "安全检查": ["工作区域无人闯入", "力矩未超限", "电量充足"],
23
        "如果失败怎么办": "返回安全位置，向人类求助"
24
    }
25

26
    for step in plan["分解步骤"]:
27
        print(f"  → 第{step['步骤']}步：{step['动作']}（{step['注意']}）")
28

29
    return plan
30

31
# 试一下
32
ai_plan_robot_task(
33
    "请把桌上那个红色零件拿过来放到传送带上",
34
    "工位桌上有3个零件：红色(圆柱形)、蓝色(方形)、白色(球形)"
35
)
36
# 运行结果：AI把"拿红色零件"分解成了6个可执行的机器人动作步骤

5. 动手路线图：从哪里开始？#

第1个月：学Python基础（if/for/函数/类），推荐跟着B站”黑马程序员”免费教程走

第2个月：买个树莓派（300元）+一个小舵机（50元），写代码让舵机动起来——第一次看到你写的代码让物理世界动起来的那种感觉，会上瘾

第3-4个月：玩ROS 2（机器人操作系统），下载Gazebo仿真器，在虚拟世界里操控机器人建图导航——不用花一分钱就能获得跟真实机器人一样的编程体验

第5-6个月：学基础运动学和机器视觉，买一台3000元的桌面六轴机械臂（淘宝搜”越疆 MG400”级别），完成一个完整的”识别→抓取→放置”项目——这个项目可以写进简历，面试官眼睛会亮

🌟 鼓励的话：机器人领域确实有一定门槛，但你不需要成为机械、电子、软件三栖的全才。从一个方向切入就好——会写代码就从ROS和控制算法切入，会机械设计就从结构切入。团队里需要的是各种人才的组合。这个行业的人才缺口大到什么程度？很多机器人公司HR说：“只要简历上有ROS两个字，我们就约面试。”

Why this direction matters#

Robots are moving from isolated production cells into flexible factories, logistics, service, and research. The scarce skill is no longer assembling a machine alone, but connecting perception, planning, control, and real operating constraints.

Three practical application areas#

• ROS 2 navigation and simulation: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Vision-guided picking: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• LLM-based task planning: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Build a simulated mobile robot that receives a natural-language instruction, converts it into safe steps, and navigates to a target in Gazebo.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, C/C++, ROS 2, Gazebo, OpenCV, PyTorch

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 财务行业怎么了？#

会计曾是”铁饭碗”，但2025-2026年的现实给了我们一记清醒的耳光：

• 用友、金蝶的AI财务模块已覆盖超过100万家企业，一键自动记账准确率达98%
• 德勤Argus AI每天可审查数十万笔交易，相当于数百名初级审计员
• 国家税务总局电子发票全面推行，企业端自动验真、自动入账
• 智联招聘数据：2024-2026年传统核算会计岗位减少28%，但财务数据分析师岗位增长156%

💡 残酷又真实：只会做账的会计正在被软件取代。但会分析、会编程、会用AI的财务人，身价正在暴涨。

2. 三个让你看到希望的案例#

3. 发展前景：钱景和前景#

🎯 专家预测（财政部《会计改革与发展”十四五”规划》解读）：到2028年，财务从业者中具备数据分析能力的人才缺口将达到300万。未来最值钱的不是”会做账的人”，而是”懂财务 + 会分析 + 能用AI”的复合型人才。

4. 入门实战：用Python做一件财务立刻能用到的事#

1
import pandas as pd
2

3
# 假设你有两个Excel：
4
# 银行流水.xlsx（银行导出的账单）
5
# 企业账.xlsx（金蝶/用友导出的明细账）
6

7
bank = pd.read_excel('银行流水.xlsx')
8
company = pd.read_excel('企业账.xlsx')
9

10
# 按金额和日期匹配（允许日期差1天）
11
merged = pd.merge(
12
    bank, company,
13
    left_on=['金额', '对方户名'],
14
    right_on=['借方金额', '供应商名称'],
15
    how='outer',  # 外连接 = 把两边对不上的都标出来
16
    indicator=True
17
)
18

19
# 找出银行有但企业账上没有的（漏记）
20
bank_only = merged[merged['_merge'] == 'left_only']
21
print(f"⚠️ 银行有流水但企业未入账: {len(bank_only)}笔")
22
print(bank_only[['交易日期', '金额', '对方户名', '摘要']].head())
23

24
# 找出企业账有但银行没有的（多记或差错）
25
company_only = merged[merged['_merge'] == 'right_only']
26
print(f"\n⚠️ 企业有记录但银行无流水: {len(company_only)}笔")
27
print(company_only[['凭证日期', '借方金额', '供应商名称', '摘要']].head())
28

29
print(f"\n✅ 自动对账完成！匹配成功: {len(merged) - len(bank_only) - len(company_only)}笔")

1
# 真实场景：月底了，老板要一份经营分析报告
2
# 你把关键数据喂给AI，1分钟出报告
3

4
data_summary = """
5
公司本月营收1200万（同比+15%，环比+8%），毛利率32%（同比下降3个百分点），
6
费用总额280万（其中销售费用增长较快+22%，管理费用持平），净利润145万。
7
最大客户A贡献营收35%，但该客户应收账款已逾期60天，金额200万。
8
新产品线月销80万，月环比增长40%，需要追加备货。
9
"""
10

11
prompt = f"""你是财务分析师，下面是公司的月度经营数据，请写一份300字以内的分析。
12
要求：
13
- 先说好消息，再说问题
14
- 每个问题都要给出具体建议
15
- 语言通俗，老板能看懂（他不是财务出身）
16
- 不要堆砌数字，说人话
17

18
数据：
19
{data_summary}"""
20

21
# 实际使用时：response = openai_client.chat.completions.create(...)
22
# 你会得到一份专业的、人话版的分析报告

5. 财务人的学习路线（友好版）#

第1-2周：不用学Python！先学会用Excel的Power Query。这是微软给你白嫖的数据处理神器，学完你会发现以前手动做的很多事情，点几下鼠标就搞定了。

第3-6周：开始摸Python，主要学pandas库。推荐一本书《Python编程快速上手——让繁琐工作自动化》。别从头啃语法书，需求驱动是最好的老师——比如”我要用Python自动合并12个月的报销表”。

第2-3月：学SQL。财务数据大多存在数据库里，学会”SELECT…FROM…WHERE…”就够80%的场景了。推荐SQLZoo.net，免费的交互式练习。

第4-6月：把前面学的串起来，做一个小项目——比如做一个”月度经营数据自动看板”，每天自动从系统拉数据，生成图表，发到老板微信。

🌟 最想跟财务同学说的话：你是懂财务的，这是程序员没有的优势。你不需要成为一个程序员，你只需要学会用代码让财务工作自动化。一个懂财务又会写30行Python的人，价值远超一个只会写300行Python但不认识资产负债表的人。

Why this direction matters#

Finance teams increasingly need people who can understand statements and also automate reconciliation, detect anomalies, and explain data-driven risks.

Three practical application areas#

• Automated reconciliation: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Expense anomaly detection: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Management-report generation: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Create an audit notebook that imports ledgers, detects unusual transactions, explains each alert, and exports a review report.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, pandas, openpyxl, SQL, Power BI, scikit-learn

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. HR行业正在经历什么？#

“人力资源”这个名字正在被重新定义——

• 字节跳动人力数据中台每天处理10万份简历，AI先筛掉80%，HR只面AI推荐的Top 20%
• 猎聘AI招聘系统已服务50万+企业，AI面试官完成了超过200万场初面
• Boss直聘上线了”智能牛人推荐”，匹配准确率比传统搜索高3倍
• Workday（全球最大HR SaaS公司）2025财报显示AI功能收入增长200%+

💡 一句话：AI在吃掉HR的事务性工作，却在疯狂创造”懂数据的HR”这个新物种。

2. 三个改变了HR行业的公司#

3. 前景：HR的钱景变了#

🎯 LinkedIn《2026全球人才趋势报告》指出：People Analytics是HR领域增长最快的细分方向，全球相关岗位年增长率达112%。在中国，这个数字只会更高。

4. 入门实战：用数据回答HR最常被问的问题#

1
import pandas as pd
2

3
# 假设这是从HR系统导出的员工数据
4
# （实际中你从钉钉/飞书/企业微信后台导出即可）
5
employees = pd.read_csv('员工数据.csv')
6

7
# 给每个员工计算"离职风险分"
8
def calculate_risk(row):
9
    risk = 0
10
    # 两年没晋升？+20分
11
    if row['晋升间隔年数'] >= 2:
12
        risk += 20
13
    # 司龄2-4年是离职高发期？+15分
14
    if 2 <= row['司龄'] <= 4:
15
        risk += 15
16
    # 月均工时明显偏高（加班过多）？+15分
17
    if row['月均工时'] > 200:
18
        risk += 15
19
    # 上次绩效评分偏低？+20分
20
    if row['绩效评分'] < 3.0:
21
        risk += 20
22
    # 满意度调查得分低？+30分
23
    if row['满意度'] < 5:
24
        risk += 30
25
    return risk
26

27
employees['离职风险分'] = employees.apply(calculate_risk, axis=1)
28

29
# 找出风险最高的10个人
30
high_risk = employees.nlargest(10, '离职风险分')
31
print("⚠️ 需要重点关注的高离职风险员工：")
32
for _, emp in high_risk.iterrows():
33
    print(f"  {emp['姓名']} | {emp['部门']} | "
34
          f"{emp['岗位']} | 风险分{emp['离职风险分']} | "
35
          f"司龄{emp['司龄']}年 | 绩效{emp['绩效评分']}")
36

37
# 按部门汇总——哪个部门最"危险"？
38
print(f"\n📊 各部门离职风险均值：")
39
print(employees.groupby('部门')['离职风险分'].mean().sort_values(ascending=False))

1
# 季度员工满意度调查收到了200条开放式反馈
2
# 比如："加班太多，没有生活""领导挺好的就是工资低""希望有培训机会"
3
# 过去HR要花两天逐条看，现在让AI帮忙总结
4

5
feedbacks = [
6
    "这个季度加班太多了，连续三周没有周末了",
7
    "工资比同行低了至少20%，好几个同事因为这个走了",
8
    "我们部门经理特别好，总是帮我们争取资源",
9
    "希望能多一些培训机会，感觉自己技术落后了",
10
    # ... 实际有200条
11
]
12

13
prompt = f"""你是员工关怀专家。下面是本季度员工调查的200条反馈。
14
请分析：
15
1. 大家最关心的3个问题是什么（按频率排序）
16
2. 分别占比多少
17
3. 针对每个问题，给管理层提一条具体可行的建议
18
4. 整体情绪是正面还是负面？
19
5. 有没有需要立刻处理的"燃眉之急"？
20

21
要求：用数据说话，建议要具体（比如不要说"改善薪酬"，要说"研发岗位建议普调15%以上"）。
22

23
反馈内容：
24
{chr(10).join(feedbacks)}"""
25

26
# 实际调用：response = openai_client.chat.completions.create(...)
27
# AI会在1分钟内生成一份有洞察的报告

5. HR同学，你可以这样开始#

第1-2周：学会用Excel数据透视表——这是你已有的武器，先把它用到极致。把公司现有数据（考勤、绩效、薪酬）拉出来，做一个”各部门人力成本与产出对比”分析。

第3-6周：学点SQL，能自己从HR系统数据库里取数。推荐DataCamp上的免费SQL入门——你的第一个成就感是”不用再等IT部门导数据了”。

第2-3月：学Python的pandas——重点学分组汇总（groupby），因为HR分析90%的场景就是”按部门/按职级/按年份分组看各种指标”。

第4-6月：做出一个”活”的数据看板——比如用公司数据做一个实时更新的”人员结构仪表盘”，包含司龄分布、离职趋势、招聘漏斗、薪酬竞争力等。

🌟 最后想对HR同学说：你做HR最宝贵的东西不是Excel技能，而是你理解人——你知道一个员工说”想走了”背后可能是什么原因，你知道哪个部门氛围有问题。AI和Python只是给了你一副望远镜，让你把这个”理解人”的能力放大到几百人、几千人的规模。一个既懂人心又懂数据的HR，是任何公司都抢着要的。

Why this direction matters#

AI can reduce repetitive screening and reveal workforce patterns, but human judgment, fairness, and privacy must remain central.

Three practical application areas#

• Job-description analysis: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Skills matching: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Workforce retention analytics: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Build a transparent skills-matching tool that ranks candidates by explicit criteria and produces a bias-audit summary.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, pandas, NLP, visualization, survey design, responsible-AI checks

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 医疗AI到底发展到哪一步了？#

2025-2026年的几个里程碑事件：

• 推想科技（InferVision）的肺结节AI获NMPA三类证后，已进入全国2000+医院，累计辅助诊断超过1亿例
• 数坤科技的心脑血管AI，CTA后处理时间从30分钟缩到2分钟，准确率超过95%
• 腾讯觅影的眼底AI筛查，在基层医院将糖尿病视网膜病变检出率提升了60%
• 联影智能的CT肺炎AI，疫情期间在武汉雷神山医院创造了秒级自动定量分析
• 2025年，FDA批准了首款”AI独立诊断”（无需医生复核）的眼底病变筛查软件

💡 全球医疗AI市场：2025年约150亿美元，预计2030年达500亿美元+。中国市场增速全球第一。

2. 三个正在改变医院的真实案例#

3. 前景：医疗+AI = 未来十年最确定的赛道之一#

🎯 国家卫健委《“十四五”全民健康信息化规划》明确提出：**到2028年，所有三级医院要建成AI辅助诊疗系统。**仅这一个目标，就需要至少5万名医疗AI相关的技术和应用人才。

4. 入门实战：你也可以玩转医学AI#

1
import pandas as pd
2

3
# 读一批化验单数据（CSV格式，从LIS系统导出）
4
labs = pd.read_csv('化验结果.csv')
5

6
# 自动标记异常值
7
def flag_abnormal(row):
8
    flags = []
9
    if row['白细胞计数'] > 10.0:
10
        flags.append(f"白细胞偏高({row['白细胞计数']})")
11
    if row['血红蛋白'] < 110:
12
        flags.append(f"贫血({row['血红蛋白']}g/L)")
13
    if row['ALT'] > 40:
14
        flags.append(f"肝功能异常(ALT:{row['ALT']}U/L)")
15
    if row['肌酐'] > 133:
16
        flags.append(f"肾功能异常(肌酐:{row['肌酐']}μmol/L)")
17
    if row['血糖'] > 7.0:
18
        flags.append(f"血糖偏高({row['血糖']}mmol/L)")
19
    return flags if flags else ["各项指标正常"]
20

21
labs['异常标记'] = labs.apply(flag_abnormal, axis=1)
22

23
# 输出需要关注的患者
24
alerts = labs[labs['异常标记'].apply(lambda x: x != ['各项指标正常'])]
25
print(f"共{len(labs)}份报告，{len(alerts)}份有异常：")
26
for _, row in alerts.iterrows():
27
    print(f"  🏥 {row['姓名']} | {', '.join(row['异常标记'])}")

1
# 场景：你在门诊遇到一个疑难病例，想快速查文献参考
2

3
clinical_question = """
4
65岁女性，2型糖尿病史10年，近期糖化8.5%，肾功能正常。
5
最近出现不明原因的夜间低血糖（凌晨3点血糖最低2.8）。
6
正在使用甘精胰岛素22u+二甲双胍0.5g bid。
7
请问：可能的原因是什么？如何调整方案？
8
"""
9

10
# 实际使用时：
11
# response = openai_client.chat.completions.create(
12
#     model="gpt-4o",
13
#     messages=[{"role": "user", "content": clinical_question}]
14
# )
15
# AI会基于最新指南给出分析和建议（仅供参考，最终决策需医生确认）

5. 给医学背景同学的入门指南#

第1-2月：学Python基础+医学数据分析（pandas）。网上有很多免费资源，推荐先确定一个小目标，比如”用Python批量分析我科室这半年的化验单数据”。

第3-4月：学医学影像处理基础，用SimpleITK或pydicom打开一张CT，调整窗宽窗位，感受一下”原来CT图像就是一串数字”这个认知颠覆。

第5-6月：找一个医疗AI开源项目复现，比如Grand Challenge上的肺结节检测任务。不需要从头写，fork别人的代码，读懂它，改一点参数，看效果变化——这就是最好的学习。

🌟 最后的鼓励：你可能觉得”编程太难了我学不会”。但你回想一下第一次学解剖、第一次学病理——哪个不是从零开始的？医疗AI最缺的恰恰是既懂医学又懂一点编程的人。你不需要成为程序员，你只需要跨过那道”我能跟技术人员对话”的门槛。跨过去的人，现在都过得很滋润。

Why this direction matters#

Medical AI can assist with imaging, records, triage, and research, but every result must be traceable, privacy-aware, and reviewed by qualified professionals.

Three practical application areas#

• Imaging assistance: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Clinical-note structuring: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Evidence retrieval: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Prototype an evidence-retrieval assistant on public medical guidance, with citations and an explicit non-diagnostic boundary.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, medical datasets, computer vision, retrieval systems, evaluation protocols

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 金融圈正在发生什么？#

• 上交所/深交所2025年技术大会的主题词就一个字：AI
• 国内前20大公募基金已全部组建AI量化团队，平均规模30-50人
• 蚂蚁集团AI风控每天处理数亿笔交易，欺诈拦截准确率99.9%+
• CFA考试自2024年起正式加入Python和数据分析内容
• 华尔街巨头高盛原来600名股票交易员，现在只剩2名+200名程序员

💡 摩根士丹利报告：全球AI+金融科技市场，2025年约400亿美元，2030年预计突破1200亿美元。

2. 三个正在改变金融业的案例#

3. 前景：金融+技术的薪资天花板最高#

🎯 猎聘2026年数据：金融科技岗位的平均薪资是传统金融岗位的1.8倍。量化研究员是金融行业里薪资增长最快的岗位。

4. 入门实战：从”炒股票”到”写代码分析股票”#

1
import pandas as pd
2
import numpy as np
3

4
# 假设你有一份从Tushare（免费）下载的股票日线数据
5
# 包含：日期、开盘价、最高价、最低价、收盘价、成交量
6

7
data = pd.read_csv('600519_茅台_2025.csv', parse_dates=['日期'], index_col='日期')
8

9
# 计算一些常用指标
10
data['涨跌幅'] = data['收盘价'].pct_change() * 100           # 每日涨跌幅%
11
data['5日均线'] = data['收盘价'].rolling(5).mean()             # 5日移动平均
12
data['20日均线'] = data['收盘价'].rolling(20).mean()           # 20日移动平均
13
data['波动率'] = data['涨跌幅'].rolling(20).std()             # 20日波动率
14

15
# 一个最简单的策略：5日线上穿20日线→买入信号
16
data['信号'] = (data['5日均线'] > data['20日均线']).astype(int)
17
data['交易'] = data['信号'].diff()  # 1=买入, -1=卖出
18

19
buy_signals = data[data['交易'] == 1]
20
sell_signals = data[data['交易'] == -1]
21

22
print(f"2025年共产生 {len(buy_signals)} 次买入信号，{len(sell_signals)} 次卖出信号")
23
print(f"全年涨幅: {(data['收盘价'].iloc[-1] / data['收盘价'].iloc[0] - 1) * 100:.1f}%")
24
print(f"最大回撤: {((data['收盘价'] / data['收盘价'].cummax() - 1).min()) * 100:.1f}%")

1
# 拿到一份上市公司的PDF年报——几百页
2
# 以前：花半天通读
3
# 现在：让AI读，你只需要看AI的摘要
4

5
report_text = open('年报.txt', 'r', encoding='utf-8').read()
6
# 已通过OCR或其他工具把PDF转换成了文本
7

8
prompt = f"""你是资深行业分析师。请分析以下公司年报，提取关键信息。
9

10
要求：
11
1. 用3句话总结今年经营情况（好坏都要说）
12
2. 列出3个最重要的财务数据变化（同比）
13
3. 找出管理层讨论中透露的1-2个风险信号
14
4. 判断：这家公司明年大概率会变好还是变差？为什么？
15
5. 用小学生都能听懂的话解释这家公司到底是干嘛的
16

17
年报内容：
18
{report_text[:10000]}"""
19

20
# response = openai_client.chat.completions.create(...)
21
# AI返回一份3分钟就能看完的核心摘要

5. 金融人的行动指南#

你已经会的：财务报表、估值模型、市场逻辑 → 这是核心优势，程序员学不会

你要学的：

• 第1个月：Python基础 + pandas（重点在数据清洗和计算）
• 第2个月：Tushare万得等数据接口 + matplotlib画图
• 第3个月：做一个完整的回测框架（哪怕最简单的那种）
• 第4个月：学点机器学习基础（sklearn，不用太深）
• 第5-6个月：把大模型用到你的研究流程里——让AI读报告、写摘要、生成投资假设

🌟 最后送你一句话：金融的本质是信息处理。谁更快、更准确地从信息中发现价值，谁就赚钱。AI时代，懂金融的人用上AI工具，就像渔民突然有了声呐——你看到的不再是水面，而是水下的整个世界。

Why this direction matters#

Modern finance combines market understanding with data engineering, model evaluation, and strict risk controls. A convincing portfolio shows both returns and failure analysis.

Three practical application areas#

• Factor research: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Credit-risk scoring: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Fraud detection: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Research one transparent factor, backtest it with fees and drawdown limits, and publish a reproducible report rather than a profit screenshot.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, pandas, NumPy, statsmodels, scikit-learn, backtesting

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 法律AI市场爆发的信号#

• 幂律智能完成数亿元融资，其AI合同审查已服务超200家律所和1000+企业法务
• 北大法宝的智能法规检索覆盖了300万+法律法规，律师查法条效率提升10倍
• 金杜律师事务所（国内顶级律所）2025年宣布投入5000万建设”金杜AI”平台
• 最高人民法院2025年发布《关于规范和加强人工智能司法应用的意见》，AI辅助裁判文书生成、类案推送已成为法院标配
• OpenAI测试显示GPT-4o在法律考试（Uniform Bar Exam）中得分超过90%的人类考生

💡 Research And Markets报告：全球法律AI市场2025年约80亿美元，预计2030年达300亿美元。中国是增速最快的市场。

2. 三个正在撼动法律行业的故事#

3. 法律人的职业未来#

🎯 一个关键洞察：未来十年，最值钱的律师不是”案子最多的”，而是”最会利用AI处理案子的”。

4. 入门实战：让你的第一步法律代码#

1
import re
2

3
# 假设你下载了一批劳动争议判决书（txt格式）
4
# 你想统计：在这些案子里，公司胜诉率是多少？赔偿金额中位数是多少？
5

6
def analyze_labor_case(text):
7
    """从一份劳动争议判决书中提取关键信息"""
8
    result = {}
9

10
    # 提取案由
11
    if '确认劳动关系' in text:
12
        result['案由'] = '确认劳动关系'
13
    elif '解除劳动合同' in text or '违法解除' in text:
14
        result['案由'] = '解除劳动合同'
15
    elif '工伤' in text:
16
        result['案由'] = '工伤赔偿'
17
    elif '工资' in text or '加班费' in text:
18
        result['案由'] = '劳动报酬'
19
    else:
20
        result['案由'] = '其他'
21

22
    # 提取判决结果（谁赢了）
23
    if '驳回' in text and '原告' in text and '上诉' in text:
24
        result['结果'] = '公司方胜诉'
25
    elif '支持' in text and '原告' in text:
26
        result['结果'] = '员工方胜诉'
27
    elif '部分支持' in text:
28
        result['结果'] = '部分支持'
29
    else:
30
        result['结果'] = '和解/撤诉'
31

32
    # 提取赔偿金额（如果有）
33
    amounts = re.findall(r'赔偿.*?([\d,.]+)元', text)
34
    if amounts:
35
        result['赔偿金额'] = float(amounts[0].replace(',', ''))
36

37
    return result
38

39
# 批量处理
40
import os
41
results = []
42
for file in os.listdir('劳动争议判决书/'):
43
    with open(f'劳动争议判决书/{file}', 'r', encoding='utf-8') as f:
44
        results.append(analyze_labor_case(f.read()))
45

46
# 统计
47
import pandas as pd
48
df = pd.DataFrame(results)
49
print(f"案件总数: {len(df)}")
50
print(f"\n案由分布:")
51
print(df['案由'].value_counts())
52
print(f"\n判决结果分布:")
53
print(df['结果'].value_counts(normalize=True).apply(lambda x: f'{x:.1%}'))

1
# 你手上有一份50页的采购合同需要审查
2
# 以前：逐页逐条看，边看边查法条
3
# 现在：让AI先扫一遍，标出所有可疑条款
4

5
contract_text = open('采购合同.txt', 'r', encoding='utf-8').read()
6

7
prompt = f"""你是商事律师。请快速审查以下采购合同，找出对买方不利的条款。
8

9
请用表格形式输出：
10
| 条款位置 | 问题条款原文 | 风险等级 | 风险说明 | 修改建议 |
11

12
重点关注：付款条件、违约责任、争议解决方式、知识产权归属、保密条款、验收标准。
13

14
合同内容：
15
{contract_text[:15000]}"""
16

17
# response = openai_client.chat.completions.create(...)
18
# AI在1分钟内返回审查结果

5. 法律人的入门路线#

🌟 记住：你不需要成为程序员。你需要的是**“跟AI和代码说同一种语言”的能力**——能用一个简单的Python脚本自动处理重复工作，能用准确的语言让AI帮你审查合同。这个门槛比你想象的低很多，回报比你想象的大很多。**

第1个月：学Python基础，重点是字符串处理和正则表达式（regex）——因为法律文本处理的核心就是”从文字里找规律、提信息”。

第2个月：学pandas做结构化数据处理（裁判文书统计、案例汇总分析）。

第3-4个月：掌握大模型Prompt Engineering——这是你性价比最高的技能。学会怎么写提示词让AI给出高质量的法律分析。提示词写得好的人，AI是他的超级助理；提示词写得差的人，AI只是个花哨的玩具。

第5-6个月：把这些技能串起来，做一个完整的”智能法务助手”雏形。哪怕只是一个帮你自动审查合同的脚本+AI提示词模板，放到简历上都是巨大的加分项。

Why this direction matters#

Legal work contains large volumes of text and repeated review tasks, but accuracy, confidentiality, jurisdiction, and professional responsibility limit careless automation.

Three practical application areas#

• Contract clause comparison: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Case retrieval: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Compliance checklists: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Build a clause-comparison assistant that highlights differences, links every claim to the source document, and never presents output as legal advice.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, document parsing, embeddings, retrieval-augmented generation, citation checks

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 教育科技的前线发生了什么#

• 学而思/好未来2025年ALL IN AI教育，投入超50亿研发AI学习系统，已覆盖5000+学校
• 科大讯飞的AI学习机累计销量超500万台，单台定价4000-8000元但依然供不应求
• 猿辅导的AI自适应题库，根据每个学生的答题情况实时调整难度，精准定位知识盲区
• 钉钉/飞书的AI教育模块已被数万所学校使用，疫情期间沉淀的习惯在2025-2026年变成了常态
• 教育部2025年发布的《人工智能助推教师队伍建设行动试点方案》明确提出”AI不会取代教师，但会重塑教学方式”

💡 HolonIQ预测：全球教育科技市场2025年约4000亿美元，2030年预计超7000亿美元。AI教育是其中增速最快的细分赛道。

2. 三个正在改变教育的案例#

3. 教育+AI的职业新地图#

🎯 关键趋势：传统教师岗位不会消失，但要求变了。2026年多个省市教师招聘公告里已出现”具备信息技术应用能力”这一条。未来5年，“会使用AI工具辅助教学”会像”会用PPT”一样成为教师的基本功。

4. 入门实战：DIY一个教学助手#

1
import pandas as pd
2

3
# 假设这是某班某次数学测验的成绩数据
4
scores = pd.read_csv('数学测验.csv')  # 列：姓名, 代数, 几何, 统计, 应用题, 总分
5

6
# 找出每个学生的最弱项
7
for _, student in scores.iterrows():
8
    subject_scores = student[['代数', '几何', '统计', '应用题']]
9
    weakest = subject_scores.idxmin()
10
    weakest_score = subject_scores.min()
11
    print(f"{student['姓名']}: 最弱项是{weakest}({weakest_score}分)")
12

13
# 全班整体分析——哪块最需要加强？
14
print(f"\n📊 全班平均分：")
15
avg = scores[['代数', '几何', '统计', '应用题']].mean()
16
print(avg.sort_values())
17
print(f"\n⚠️ 全班最需要加强的模块是: [{avg.idxmin()}] 平均仅{avg.min():.1f}分")

1
# 场景：你发现某个学生对"分数加减法"掌握不好
2
# 以前：去网上找题/自己出题
3
# 现在：让AI生成10道针对性的练习题
4

5
weak_topic = "异分母分数加减法"
6
student_level = "小学五年级"
7
student_name = "小明"
8

9
prompt = f"""你是{student_level}数学老师。{student_name}在"{weak_topic}"这个知识点上需要加强。
10

11
请生成5道练习题，要求：
12
1. 前2道简单（建立信心），中间2道中等，最后1道有挑战性
13
2. 每道题后面附上"小提示"（不是直接给答案，是提示思路）
14
3. 用小学生能理解的语言，有趣一点
15
4. 最后给{student_name}一句鼓励的话"""
16

17
# response = openai_client.chat.completions.create(...)
18
# 你拿到了5道精心设计的、有梯度、有温度的练习题

5. 给教育工作者的入门建议#

🌟 请记住三件事：

1. **你不需要成为程序员。**你只需要学会用工具。
2. **AI是你的助教，不是你的竞争者。**它帮你批作业、出题、做统计；你帮学生建立自信、启发思考、陪伴成长。各司其职。
3. **永远不要担心技术会取代好老师。**技术永远取代不了那个”在学生最迷茫的时候，拍了拍他肩膀说’你再试试‘“的人。

入门路线：

• 第1个月：先用起来！试试ChatGPT/Claude/文心一言/讯飞星火——让它们帮你出题、写教案、改作文。感受一下AI能做什么、不能做什么。
• 第2个月：学Excel数据透视（如果你还不太熟的话），整理和分析学生成绩数据。
• 第3-4个月：学点Python基础（pandas为主），做学生成绩分析。
• 第5-6个月：整合——做一个属于自己的”AI教学助手”工具包，哪怕只是几个好用的Prompt模板+一个成绩分析脚本。

Why this direction matters#

The strongest education tools do more than generate answers: they diagnose misconceptions, adapt difficulty, and keep learners actively thinking.

Three practical application areas#

• Adaptive practice: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Rubric-based feedback: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Learning-progress analysis: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Create a tutor that asks guiding questions, records learning evidence, and adjusts the next exercise instead of immediately revealing answers.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, learning analytics, prompt design, knowledge tracing, content evaluation

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 智慧农业=新的”农具革命”#

从锄头到拖拉机是一次飞跃，从拖拉机到AI+传感器是又一次——

• 极飞科技的农业无人机已服务全球超过3亿亩农田，播撒农药效率是人工的60倍
• 大疆农业2025年全球累计作业面积超10亿亩次，国内植保无人机渗透率超60%
• 拼多多的”农地云拼”系统将农产品从田间到餐桌的环节从5-7个压缩到2-3个
• 农业农村部2025年发布《数字农业农村发展规划》，明确到2028年农业数字经济占农业GDP比重要达到15%
• 一个令人心酸但真实的对比：中国农业从业者平均年龄55岁，而美国是38岁——智慧农业是吸引年轻人回流的唯一解法

💡 智慧农业全球市场：2025年约220亿美元，预计2030年达500亿美元。中国市场增速全球第一，核心驱动力是”没人种地了”。

2. 三个”科技种地”的好故事#

3. 农业科技的前景：被严重低估的蓝海#

🎯 一个被忽视的机遇：智慧农业是中国唯一一个AI人才供给严重不足、但政策支持和市场需求都极其明确的万亿级行业。农业科技相关岗位2026年同比增长210%，但简历投递量只增长了45%——供需严重失衡。

4. 入门实战：从”阳台种菜”开始#

1
import pandas as pd
2

3
# 假设你从农业农村部网站下载了各省粮食产量数据
4
grain = pd.read_csv('中国粮食产量2025.csv')
5

6
# 看看哪些省是"产粮大户"
7
top_producers = grain.nlargest(10, '粮食总产量_万吨')
8
print("🏆 中国十大产粮省份：")
9
for _, row in top_producers.iterrows():
10
    print(f"  {row['省份']}: {row['粮食总产量_万吨']:.0f}万吨  "
11
          f"(占比{row['粮食总产量_万吨'] / grain['粮食总产量_万吨'].sum() * 100:.1f}%)")
12

13
# 计算自给率（产量/消费）
14
grain['自给率'] = grain['粮食总产量_万吨'] / grain['消费量_万吨'] * 100
15
low_self = grain[grain['自给率'] < 100].sort_values('自给率')
16
print(f"\n⚠️ 粮食不能自给的省份：")
17
for _, row in low_self.iterrows():
18
    print(f"  {row['省份']}: 自给率{row['自给率']:.0f}%（缺口{row['消费量_万吨']-row['粮食总产量_万吨']:.0f}万吨）")

1
# 场景：你在田里发现玉米叶子不太对劲，拍个照问AI
2
# 实际使用时，结合语音输入和图像识别
3

4
question = """
5
我是河南周口的玉米种植户。最近发现几株玉米的叶片上出现了
6
灰绿色的长条形斑点，边缘是褐色的，斑点逐渐扩大连成片。
7
最近一周连续阴雨，温度25-30度左右。
8
请问：这是什么病害？不打农药有办法控制吗？
9
"""
10

11
# response = openai_client.chat.completions.create(...)
12
# AI会给出：病害判断（大概率是大斑病/小斑病）、防治建议、
13
# 有机替代方案（如果有的话）、预防措施

5. 给农学人和返乡青年的地图#

🌟 **农业是最容易被低估的”技术蓝海”。**所有人都去卷互联网、金融，但真正缺人才的是农业。一个会写代码的农学毕业生，在智慧农业公司起薪至少比纯农学高50%。

入门路径：

• 第1个月：不用写代码，先去了解市面上的智慧农业产品——极飞无人机、大疆农业、各种传感器。看看它们怎么用、多少钱、效果怎么样。先建立”什么是智慧农业”的感性认知。
• 第2-3个月：学Python基础（目标：能读写数据、能调用API）。
• 第4个月：玩一个小型IoT项目——花200元买一个Arduino+土壤湿度传感器，用Python读取传感器数据，当湿度低于设定值时发送微信提醒。
• 第5-6个月：把这个小项目扩展——做一个”智能阳台/菜园”，传感器+自动浇水+数据记录+数据可视化。这个项目能让你在农业科技公司的面试里脱颖而出。

最后一句心里话：智慧农业不是”让农民失业”，而是”让当农民不再那么苦”。它吸引年轻人回到土地，用他们熟悉的方式——手机、电脑、数据——去种出比父辈更好的庄稼。如果你既有农业背景又有技术能力，你是这个时代最稀缺的人。

Why this direction matters#

Agricultural AI becomes useful only when models survive weather, weak connectivity, equipment limits, and the economics of real farms.

Three practical application areas#

• Soil and climate sensing: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Plant-disease recognition: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Precision irrigation: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Build a small monitoring node that collects temperature and soil moisture, detects anomalies, and produces an irrigation recommendation.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, ESP32 or STM32, MQTT, computer vision, time-series analysis

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 中国制造的数字化”大逃杀”#

• 工信部数据：2025年中国重点工业企业关键工序数控化率65.2%，目标是2028年达到80%
• 工业互联网平台已超过300家，连接设备超过9000万台
• 海尔卡奥斯COSMOPlat平台赋能企业超15万家，平均帮助企业提升生产效率30%
• 美的集团的”灯塔工厂”已经实现全流程无人化，每15秒下线一台空调
• 残酷现实：能实现数字化的小工厂活下来了，不能的可能在未来5年内被淘汰

💡 中国智能制造市场规模：2025年约4.5万亿元，预计2030年超过8万亿元。

2. 三个在车间里真实发生的故事#

3. 智能制造的人才”地图”#

🎯 BOSS直聘2026数据：“智能制造”相关岗位同比增长135%。其中”工业数据分析师”是增长最快的岗位之一，因为”产线数据已经接进来了，但缺人分析”。

4. 入门实战：从”算OEE”开始#

1
# OEE = 可用性 × 性能 × 质量
2
# 这是衡量一台设备/一条产线效率的最核心指标
3

4
# 假设这是某台注塑机一个班次的生产记录
5
data = {
6
    '计划运行时间_分钟': 480,     # 8小时
7
    '故障停机_分钟': 35,          # 修设备花了35分钟
8
    '换模_分钟': 25,              # 换模具花了25分钟
9
    '实际产量_件': 850,
10
    '理论节拍_秒每件': 30,        # 理论上一件30秒
11
    '合格品_件': 820,
12
    '废品_件': 30
13
}
14

15
# 计算
16
运行时间 = data['计划运行时间_分钟'] - data['故障停机_分钟'] - data['换模_分钟']
17
可用性 = 运行时间 / data['计划运行时间_分钟']
18

19
理论产量 = 运行时间 * 60 / data['理论节拍_秒每件']
20
性能 = data['实际产量_件'] / 理论产量
21

22
质量 = data['合格品_件'] / data['实际产量_件']
23

24
OEE = 可用性 * 性能 * 质量
25

26
print(f"📊 设备综合效率 OEE = {OEE:.1%}")
27
print(f"   可用性: {可用性:.1%}（计划480分钟，实际运行{运行时间}分钟）")
28
print(f"   性能:   {性能:.1%}（实际产出是理论产能的{性能:.0%}）")
29
print(f"   质量:   {质量:.1%}（废品率{1-质量:.1%}）")
30

31
if OEE >= 0.85:
32
    print("   ✅ 世界级水平（≥85%）")
33
elif OEE >= 0.75:
34
    print("   👍 良好水平（≥75%）")
35
elif OEE >= 0.60:
36
    print("   ⚠️ 一般水平（≥60%）- 有提升空间")
37
else:
38
    print("   🔴 需要改善（<60%）- 损失严重")

1
# 不需要训练模型，直接调用云服务
2

3
# 场景：产线上的摄像头拍下每件产品，上传到AI视觉云服务
4
# AI自动判断是否合格，不合格的自动踢出
5

6
def auto_quality_check(image_url):
7
    """模拟AI视觉质检流程"""
8
    # 实际使用：调用百度AI/阿里云工业视觉/AWS Lookout for Vision
9
    # result = cloud_vision_api.detect_defect(image_url)
10

11
    # 这里用文字模拟
12
    result = {
13
        '判定': '不合格',
14
        '缺陷类型': '表面划痕',
15
        '严重程度': '中等',
16
        '位置': '产品正面右下角 (x:320, y:450)',
17
        '建议': '抛光返修'
18
    }
19
    return result
20

21
check_result = auto_quality_check('产品照片_042.jpg')
22
if check_result['判定'] == '不合格':
23
    print(f"🔴 {check_result['判定']}: {check_result['缺陷类型']} "
24
          f"({check_result['严重程度']}) - {check_result['建议']}")
25
else:
26
    print(f"🟢 {check_result['判定']}")

5. 给制造业同学的技术入门指南#

🌟 **制造业最大的优势是：你懂生产。**一个写了10年代码的人，到车间里可能连”节拍时间”是什么都不知道。但你懂——你知道瓶颈、你知道换模、你知道良品率意味着什么。你只需要学会用技术手段放大你的制造经验。

实战路线：

• 第1个月：把你现在车间的数据用Excel整理起来——哪怕只是记录了每天的产量、停机时间、不良数。先有数据，再谈用AI。
• 第2-3个月：学Python的pandas+matplotlib。把那些Excel数据变成自动更新的趋势图和报警。
• 第4-5个月：学SQL，看懂MES/ERP系统的数据库结构。不需要深度开发，但要知道数据存在哪、怎么取。
• 第6个月以后：把一个具体问题做深——比如设备故障预测、质量根因分析、生产排程优化——选一个最痛的点，用你学到的工具解决它。做出一个实际效果，比写10份漂亮的简历都有用。

Why this direction matters#

Manufacturing needs engineers who understand both machines and software. The value comes from reliable data acquisition and measurable process improvement.

Three practical application areas#

• Visual quality inspection: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Predictive maintenance: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Production scheduling: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Simulate a production line, collect equipment signals, detect an abnormal trend, and show the maintenance decision on a dashboard.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

PLC, OPC UA, MQTT, Python, time-series databases, computer vision

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 建筑行业的技术震荡#

• BIM（建筑信息模型）已成为新建筑项目的标配（2025年全国BIM应用率超70%）
• 广联达BIM 5D已覆盖超过10万个工程项目
• 小库科技XKool用AI做强排方案，5分钟出30个满足规范的布局方案
• 中建集团的智慧工地系统连接了全国2000+个工地，AI视频监控安全违规
• 住建部2025年《智能建造与建筑工业化协同发展指导意见》明确提出：2028年装配式建筑占新建建筑面积30%以上，智能建造试点城市不少于30个

💡 全球建筑科技市场：2025年约260亿美元，预计2030年超600亿美元。中国的智能建造推进速度可能是全球最快的。

2. 三个让建筑师”开眼”的真实案例#

3. 建筑科技的前景地图#

🎯 智联招聘2026数据：“BIM工程师”职位同比增长92%，“智能建造”相关岗位增长210%。建筑行业数字化人才缺口超过50万。

4. 入门实战：从”看懂BIM数据”开始#

1
# 假设你有一个办公楼的能耗数据
2
# 想分析：不同季节的能耗规律、哪个系统最耗能
3

4
import pandas as pd
5
import matplotlib.pyplot as plt
6

7
energy = pd.read_csv('办公楼能耗_2025.csv')
8
energy['日期'] = pd.to_datetime(energy['日期'])
9
energy['月份'] = energy['日期'].dt.month
10

11
# 按月份汇总各系统能耗
12
monthly = energy.groupby('月份')[['空调_kWh', '照明_kWh', '设备_kWh', '电梯_kWh']].sum()
13

14
print("📊 各月能耗汇总：")
15
print(monthly.round(0))
16

17
# 找出"能耗大户"
18
total_by_system = monthly.sum()
19
print(f"\n全年各系统能耗占比：")
20
for system, kwh in total_by_system.sort_values(ascending=False).items():
21
    pct = kwh / total_by_system.sum() * 100
22
    bar = '█' * int(pct / 2)
23
    print(f"  {system}: {kwh/10000:.1f}万kWh ({pct:.1f}%) {bar}")
24

25
print(f"\n💡 节能建议：{total_by_system.idxmax()}占比最大，优先考虑更换高效设备或优化运行策略")

1
# 场景：甲方要一个"科技感+生态"的办公楼概念
2

3
design_brief = """
4
办公楼，地上12层，地下2层，总建筑面积约20000㎡。
5
要求：
6
- 外观体现"科技+生态"的设计理念
7
- 绿色建筑三星标准
8
- 适合深圳炎热潮湿气候
9
- 需要充分考虑自然通风和遮阳
10
- 预算中等（约8000元/㎡建筑成本）
11
"""
12

13
prompt = f"""你是建筑方案设计师。根据以下设计任务书，输出一个概念方案：
14

15
{design_brief}
16

17
请提供：
18
1. 设计概念（一句话概括核心理念）
19
2. 建筑形体策略（体量、朝向、退台等）
20
3. 立面设计策略（材料、色彩、遮阳方式）
21
4. 绿色建筑策略（具体技术措施）
22
5. 平面布局逻辑（核心筒位置、标准层面积等）
23
6. 设计参考案例（国内外类似项目2-3个）"""
24

25
# response = openai_client.chat.completions.create(...)
26
# AI给出一个完整的建筑概念方案框架

5. 给建筑人的转型地图#

🌟 **建筑设计不会被AI取代——但只会在CAD里画图的人会被取代。**未来的建筑师的价值在于：创意、判断、审美、沟通、整合。AI和BIM把重复劳动接过去，你把精力放在更重要的事情上。

行动路线：

• 先做一个改变：如果你还在用纯CAD画图，下一张图开始用Revit。BIM是智能建造的基础，不会BIM = 5年后将落后于行业标准。
• 第2个月：学Dynamo（Revit的可视化编程插件）。不需要写代码，拖拽节点就能实现参数化设计。
• 第3-4个月：学点Python，目标是能用Python调用Revit API，自动化重复操作。比如”一键生成所有房间的面积表”。
• 第5-6个月：玩AI建筑工具——小库、Midjourney、Stable Diffusion——把这些工具融入你的设计流程。别说”AI画不好”，亲手试试看。

Why this direction matters#

Architecture is becoming a data-rich discipline. Students who can connect design intent, BIM models, and automated checks can reduce costly coordination work.

Three practical application areas#

• BIM rule checking: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Energy-use prediction: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Construction progress analysis: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Read a public IFC model, extract rooms and components, run a simple compliance check, and visualize the issues.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, IFC, BIM APIs, computer vision, optimization, GIS

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 营销行业：AI渗透最彻底的领域之一#

• 蓝色光标2025年宣布”ALL IN AI”，AI生成内容占营销内容的70%+，人力成本降40%
• 阿里妈妈（阿里巴巴营销平台）的AI创意工具服务超过100万商家
• 抖音巨量引擎的AI投放系统，ROI比人工投放平均高30-50%
• 小红书”AI笔记助手”已对全部创作者开放，AI帮写标题和正文
• Martech（营销科技）全球市场2025年约5000亿美元，AI营销是增长最快的分支

💡 一个残酷但真实的对比：用AI做营销的电商公司 vs 没用的，转化率差距在2025年拉大到了2-4倍。不是因为用了AI就牛逼，而是不用AI的营销效率根本无法在流量越来越贵的环境下活下去。

2. 三个”营销人+AI”的真实故事#

3. 营销行业的人才新格局#

🎯 核心趋势：纯执行的营销岗位（写文案、做素材、盯投放）在被AI快速替代。但”策略型+数据型+AI工具型”的营销人才身价暴涨。营销人转型的关键不是”学技术”，而是”学会用AI放大你的营销直觉”。

4. 入门实战：从”AI写文案”开始#

1
import pandas as pd
2

3
# 假设你从抖音/天猫后台导出了投放数据
4
ads = pd.read_csv('广告投放数据.csv')
5

6
# 关键指标：哪个素材的ROI最高？
7
ads['ROI'] = ads['成交金额'] / ads['消耗金额']
8

9
# 按素材类型分析
10
by_type = ads.groupby('素材类型').agg(
11
    花费=('消耗金额', 'sum'),
12
    成交=('成交金额', 'sum'),
13
    ROI=('ROI', 'mean'),
14
    数量=('素材ID', 'count')
15
).round(2)
16

17
print("📊 各素材类型效果对比：")
18
print(by_type.sort_values('ROI', ascending=False))
19

20
best = by_type['ROI'].idxmax()
21
print(f"\n💡 最佳素材类型：{best}，平均ROI为{by_type.loc[best, 'ROI']}")
22
print(f"   建议：把{b}的预算占比从{by_type.loc[best, '花费']/by_type['花费'].sum()*100:.0f}% 提升到50%+")

1
# 场景：你的服装店上新了50款衣服，每款都要写详情页文案
2
# 以前：运营手动写，2天
3
# 现在：AI批量生成，5分钟
4

5
def ai_write_product_copy(product_info):
6
    prompt = f"""你是服装电商金牌文案。请为以下商品写一段详情页核心文案（150字以内）。
7

8
商品信息：
9
- 品类：{product_info['品类']}
10
- 风格：{product_info['风格']}
11
- 材质：{product_info['材质']}
12
- 核心卖点：{product_info['卖点']}
13
- 目标客户：{product_info['目标']}
14
- 价格带：{product_info['价格']}元
15

16
写作要求：
17
1. 第一句抓眼球（痛点/场景/情绪）
18
2. 中间说明为什么这个产品好（材质/设计/功能）
19
3. 最后给一个购买理由（限时/限量/社交认同）
20
4. 风格模仿小红书的种草语气
21
5. 加入1-2个emoji增加亲和力"""
22

23
    # 实际使用：response = openai_client.chat.completions.create(...)
24
    # return response.choices[0].message.content
25
    return "（AI生成的文案放在这里）"
26

27
# 批量处理
28
products = [
29
    {'品类': '连衣裙', '风格': '法式复古', '材质': '天丝', '卖点': '显瘦收腰', '目标': '25-35岁白领', '价格': 299},
30
    {'品类': 'T恤', '风格': '美式休闲', '材质': '新疆长绒棉', '卖点': '重磅220g', '目标': '20-30岁', '价格': 99},
31
    # ... 50个商品
32
]
33

34
for p in products:
35
    copy = ai_write_product_copy(p)
36
    print(f"\n{'='*40}\n{p['品类']} | {p['风格']}\n{copy}")

5. 营销人的AI升级路线#

🌟 **营销的核心从来没变过——理解用户、创造价值、有效沟通。**AI只是让这件事的效率提升了10倍。以前你一个人只能想3个创意，现在AI帮你发散30个，你从中选最好的。你的”营销直觉”是你的护城河，AI是你的加速器。

行动地图：

• 第1周：注册ChatGPT/Claude/文心一言/豆包——选一个你觉得最顺手的。用它帮你做事：写朋友圈文案、写周报、分析竞品评论。先建立”AI是工具”的肌肉记忆。
• 第2-4周：学会写好的Prompt。这是2026年营销人最重要的”软技能”——能不能把需求说清楚，决定了AI给你的是垃圾还是宝藏。
• 第2-3月：学SQL——能从数据库里查用户数据。推荐DataCamp的免费SQL入门。
• 第4-6月：学Python的pandas——能自己分析数据，不再依赖别人给你出报表。做一个”月度营销效果分析看板”作为练手项目。
• 永远记住：你的营销经验是你最宝贵的资产。AI只是给了你一副”超级放大镜”。

Why this direction matters#

AI can accelerate content, but durable marketing advantage comes from understanding customers, designing experiments, and connecting output to business metrics.

Three practical application areas#

• Customer segmentation: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Campaign experimentation: start by understanding the real workflow, data source, and evaluation rule before choosing a model.
• Social-listening analysis: start by understanding the real workflow, data source, and evaluation rule before choosing a model.

A portfolio project you can finish#

Analyze a public review dataset, identify customer segments and pain points, then propose an experiment with clear success metrics.

A useful project report should explain the problem, the data, the baseline, the result, and what failed. A working small system is more convincing than a large collection of disconnected tools.

Suggested toolkit#

Python, SQL, analytics platforms, NLP, experiment design, dashboards

Use the smallest stack that completes the experiment. Keep source data, assumptions, evaluation, and limitations visible so another student can reproduce your result.

A 12-week learning route#

1. Weeks 1–2 — Understand the field. Map one real workflow and interview a practitioner or study an authoritative case.
2. Weeks 3–4 — Build data literacy. Learn the Python and data skills needed to inspect, clean, and visualize a small dataset.
3. Weeks 5–7 — Reproduce a baseline. Implement a transparent rule or classical model before using a foundation model.
4. Weeks 8–10 — Build the product loop. Add an interface, error handling, and a way for a human to review the result.
5. Weeks 11–12 — Publish the evidence. Write what worked, what did not, and what you would test next.

What to remember#

AI does not replace domain knowledge. It rewards students who can define a useful problem, work with evidence, and turn a model into a responsible workflow. Start with one small project and let the next question come from real use.

1. 生物医药的”计算革命”#

• AlphaFold已预测了地球上几乎所有已知的2亿+个蛋白质结构，全部公开免费
• 百图生科（BioMap，百度创始人李彦宏投资）用大模型做蛋白质设计，2025年估值超20亿美元
• 晶泰科技的AI药物研发平台，将药物晶型筛选从6个月→2周
• Insilico Medicine的AI发现的特发性肺纤维化药物，从靶点发现到临床前候选化合物只用了18个月（传统需3-4年），成本仅传统方法的1/10
• 药明康德2025年AI辅助药物研发业务增速超60%

💡 全球AI制药市场：2025年约50亿美元，预计2030年超200亿美元。但更大的意义在于——AI正在把新药研发从”碰运气”变成”系统化设计”。

2. 三个令人振奋的中国案例#

3. 生物+计算的职业新大陆#

🎯 Nature Biotechnology 2025年专题报道指出：全球AI制药领域的人才缺口约为10-15万人。中国因为生物医药产业的快速扩张，缺口尤为严重。

4. 入门实战：玩转生物信息学#

1
# 从一个DNA序列开始——这是生命的"源代码"
2
dna = "ATGGCCATTGTAATGGGCCGCTGAAAGGGTGCCCGATAG"
3

4
# 计算碱基组成
5
print("🧬 DNA序列分析：")
6
print(f"   序列: {dna}")
7
print(f"   长度: {len(dna)} 个碱基")
8
print(f"   腺嘌呤 A: {dna.count('A')} ({dna.count('A')/len(dna)*100:.1f}%)")
9
print(f"   胸腺嘧啶 T: {dna.count('T')} ({dna.count('T')/len(dna)*100:.1f}%)")
10
print(f"   鸟嘌呤 G: {dna.count('G')} ({dna.count('G')/len(dna)*100:.1f}%)")
11
print(f"   胞嘧啶 C: {dna.count('C')} ({dna.count('C')/len(dna)*100:.1f}%)")
12
print(f"   GC含量: {(dna.count('G') + dna.count('C'))/len(dna)*100:.1f}%")
13

14
# 转录：DNA → mRNA
15
transcription_table = str.maketrans('ATGC', 'UACG')
16
mrna = dna.translate(transcription_table)
17
print(f"\n📝 转录结果 (mRNA): {mrna}")
18

19
# 翻译：mRNA → 蛋白质
20
# （这里用一个简化版的密码子表）
21
genetic_code = {
22
    'AUG': 'M(起始)', 'GCC': 'A', 'AUU': 'I', 'GUA': 'V',
23
    'GGG': 'G', 'CGC': 'R', 'UGA': '终止', 'UAG': '终止'
24
}
25
protein = []
26
for i in range(0, len(mrna)-2, 3):
27
    codon = mrna[i:i+3]
28
    aa = genetic_code.get(codon, '?')
29
    protein.append(aa)
30
    if aa == '终止':
31
        break
32

33
print(f"\n🧪 翻译结果 (氨基酸链): {'-'.join(protein)}")