选择大公司还是小公司
选择大公司还是小公司，之前看到别人讨论，是做大公司的螺丝钉还是小公司的多面手。我觉得毫无疑问的是大公司，这决定了你N年以后，从大公司去小公司，是涨薪涨级过去指点江山；还是，从小公司到大公司，降薪降级过来，然后重新来过，甚至已经没有进入的机会了。我个人是没有学历和公司歧视的，全凭面试，但是绝大多数人是相反的，甚至看到公司之后，都不会进入到面试环节。
选择什么样的部门和团队
我的建议是选择一个高速发展的业务，一个快速扩张的部门，一个活儿比人多的团队。
当然，公司的老牌核心业务也很好，它的重点是学习；选择新兴核心业务，它的重点是历练。老牌的核心业务唯一的缺点就是增长缓慢，但是好在体量够大，方法论成熟，适合校招同学来学习。
遇到过一个核心业务的leader，问如果同学们都做不出成果怎么办，他说那是常态，做不出来就多学习。都是优秀的人进去，极少数优秀人拿结果，大多数人去学习。
符合公司战略的新兴部门，对于个人来讲，拿结果没有那么困难，有持续的成就感。而且业务高速发展地过程中，能力更强的人，有机会做更多的事情，有更多的历练的机会，不会卡在狭小的scope里，成长会更加的迅速。
内卷的本质是人比活多，多出来的人就开始作妖了。活儿比人多的时候，可能会工作到很晚，但是你每一个动作都是有效的，身体上累，但心是愉快的。人比活多之后，你可能身体上没那么累，但是心里的累才会令人崩溃。我发现一个有趣事情，当人比活多之后，大家的加班反而更严重了。
分享一下，我跳槽的时候的判断。某音短视频和某音电商，我毫不犹豫地选择了后者，而同一个时段，我刚工作不久的校招师弟，他第一顺位则是前者。我一直是部门快速发展的受益者，所以我看重发展，我觉得经验不多的同学更看重名头。比如我有去达摩院的朋友，我觉得其实是贪名，忽略了实际的利益。
面试快结束的时候，面试官都会让你问他一些问题，大多数情况下，候选人都没问题，或者问了无关紧要的问题。我分享一下当时跳槽的问题，这些问题都是对新公司新部门新leader的考察，附送一个标准答案。
一面，我问业务发展到哪里了，技术上做到了哪些；二面，是二级leader，我问他和部门leader汇报关系怎样，面试官也很聪明，知道我关心什么，跟我说他们是前一个公司的上下级，潜台词是你稳不稳；三面，是部门leader，我问现在部门多少人，明年预计招到多少人，潜台词是业务发展速度是怎样的。最有意思的是，三面跟我说，现在是不到100人，未来会招到100多人，但不会超过150，我当时还是有点失望，但是现在的规模是远远超过他预期的，我们同期进来的人因为业务扩张而有更多的历练机会，加速了职业生涯发展。
选对leader
其实对你影响最大的，就是你的leader。
在我毕业半年多的时候，第一次全年绩效。我自评3.5，我的第一个leader给了我3.75。我当时非常诧异，我表示我达不到。你做的三个事情里，接入流式系统xxxx，这个是团队技术的增量，这个我给3.75，整体3.75“。这个事情刚开始做，连一半都没完成。这个绩效等于在奖励做的方向。就是因为这一次，我明白了正确的方向远比确定性的成果要好，如果你的工作是一定程度的突破性的，这种带有不确定性的产出，上限就是100分。而确定性的在知识范畴内的事情，上限就是60分。这个后面变成了我做事的准则。
一个不好的leader，会把团队搞的乌烟瘴气、尔虞我诈。团队和leader的口碑很重要，其实圈子很小。leader是不是一个有技术深度和技术追求的人，他是急功近利还是满怀耐心，他能否给出有效的指导。其实可以通过已经工作的了师兄，提前打听好，排除掉不靠谱的leader。
我原来做CV/NLP的，转推荐合适么
我们拆成两个问题：
- 背景不match，面试通过容易么？
- 前些年的研究（尤其是博士），都是沉没成本了？
对校招来说，背景match只是加分项，但是如果只是match，但是并没有达到一定的水平，也是可以忽略不计的。所以，背景不match的劣势是不大的，校招更看重的是基础，这个基础包括机器学习基础、计算机算法数据结构基础、良好的coding能力，全都是背景无关的。
沉没的成本，就让它沉没吧。如果一个方向选错，过两年想重新来，这时候机会已经不大了。没有人愿意要一个工资级别已经涨上去，但能力上接近校招同学的社招。那个时候哪怕些许的不match，都是巨大的减分项。虽然过去研究的东西不match，但是研究工作对人的训练痕迹都在，哪怕换一个领域，也是更容易掌握。我认识的做推荐的人里面，有生物学的博士，数学的博士，他们上学时积累的研究方法，让他们很快地掌握推荐系统。通用的研究方法、优秀的计算机和算法基础，这个是永远不会沉没的。
推荐系统有哪些优势
贴近用户，接近业务；和公司的营收挂钩，个人的贡献可以精确地衡量价值；天花板高，地板低；进可搞应用，退可搞研究。
xx中台，我觉得还是算了吧。如果最终和业务贴的比较远，我建议还是算了，国内互联网公司没有真正的研究院，没法让你无忧无虑地搞研究。推广搜都实实在在地贴近用户，贴近业务。
推荐系统的目标，往往就是产品的目标，比如电商就是GMV，个人的贡献是容易衡量的。你的AB的提升可以换算成给公司带来的收入。
推荐系统的好与差，之间的差距是巨大的。而且数据是免费的，业务的规模就是数据的规模，不依赖于高质量的数据，这一点可以充分发挥算法工程师的价值。
推荐算法，可以去把存在的方法结合业务场景进行应用，也可以去探索新的方法，而新的方法可以再业务场景中验证价值。这样的激励循环，研究和业务是统一的，不像其他领域容易割裂，比如商汤的下棋机器人。
写在最后
欢迎私信咨询。