企业官网建设流程全解析

我看过两个仓库，他们都用来存放学习资料和经验。前者在Github上直接展示内容，后者把内容放在云文档，需要跳转链接。

GitHub - 秋招算法学习仓库

GitHub - LAMDA-NeSy/Research-Starter-Kit: 从0开始，掌握做科研、写论文的基本流程。 · GitHub

从数学地基到大模型前沿：这个 23 模块的秋招仓库，是如何把 AI 面试「拆成可执行步骤」的

仓库地址：GitHub -- Autumn-Recruit Algo Notes(秋招算法学习仓库)

面向大模型时代的算法、工程与AI学习共建仓库。从数学基础、数据结构，到机器学习、深度学习、LLM、Agent、AI-Infra、语音与数据科学，通过「理解→推导→手写 → 运行 → 验证 → 复盘构建可持续迭代的知识体系。 · GitHub

一、先看全局：这不是一个「八股合集」，而是一条完整的学习流水线

很多人第一次打开这个仓库，都会被目录吓一跳——23 个顶层模块，从00-数学基础一路排到22-图神经网络与知识图谱，每个模块下还分「教学 / 推导笔记 / 模板代码 / 高频面试题 / 复杂度速查」。

但真正令人惊讶的不是「多」，而是每个模块的组织方式几乎一模一样：

• 每个模块有README.md，说清本模块解决什么问题、建议学习路线、与其它章节如何衔接；

• 教学部分使用 Jupyter Notebook，公式用 LaTeX，代码用 numpy 手写（不直接调库），末尾通常还有 sklearn 对照验证；

• Notebook 结构统一遵循：故事引入 → 核心概念 → 深入原理 → 代码实战 → 面试考点 → 小结与下一章预告；

• 每个主题配有自测清单（L1 / L2 / L3 三级），并用- [ ]复选框组织，读完后可以自评。

换句话说，这不是「把网上的笔记抄一遍」，而是把准备 AI 算法岗秋招这件事，拆成了一条能一步步执行的流水线。这一点，在下面这篇 00-数学基础的README.md里体现得淋漓尽致：

第 1 遍（打地基，1 周）：00 → 01 → 02 → 03 → 04（每个 notebook 跑完代码 cell，再看面试考点）
第 2 遍（对着章节用）：学到哪章翻回来——
02-机器学习/SVM → 翻 01 特征值分解、02 贝叶斯
04-LLM大模型/注意力 → 翻 00 导数、01 矩阵、03 交叉熵/KL
……
第 3 遍（考前速查）：只看 05 面试八股 + 06 机器人学速答 + 每篇「面试考点」小节

这种「三遍法」不是随口一说——它对应着三种不同的学习状态：建立直觉、按需回查、考前压缩。而仓库的目录结构，恰好也是按这三种状态设计的。

二、数学模块：从「开车、爬山与看仪表盘」讲起

我们直接从00-数学基础/教学/00-高数与微积分.ipynb看起。

这个 Notebook 的开头没有直接甩公式，而是先讲了一个生活故事：

想象你周末开车去郊外兜风。仪表盘上一直亮着两个数字：一个是当前瞬时速度，一个是已行驶里程。速度告诉你"这一刻开得多快"——它是位置随时间变化的快慢，这正是导数；里程表告诉你"总共走了多远"——它其实是在把每一瞬间的速度一点点累加起来，这正是积分。

紧接着又切换到第二个故事：浓雾中爬山，只能靠脚下感受坡度，哪边下坡就往哪边走一小步——这就是梯度下降。而"这座山在某一点附近长什么样"，可以用多项式近似——那就是泰勒展开。

两个故事讲完，数学概念就被"挂"在了两个非常具体的画面上。然后再进入正式内容：

• 导数从差商讲起，用手动推一遍极限过程；

• 常见导数表 + 链式法则；

• 偏导数、梯度、方向导数（证明"梯度是最陡上升方向"，用一句话推导）；

• 泰勒展开（用系数的推导说明它为什么长这样）；

• 定积分与微积分基本定理（用"面积函数的导数等于原函数"的直觉讲）；

• 最后落到反向传播——把链式法则用到极致。

代码部分全部手写，例如中心差分求导：

def numerical_derivative(f, x, h=1e-6):
"""中心差分求导：f'(x) ≈ [f(x+h) - f(x-h)] / (2h)，误差 O(h^2)"""
return (f(x + h) - f(x - h)) / (2 * h)

然后用它验证 f(x)=x2f(x)=x2、f(x)=sin⁡(x)f(x)=sin(x)、f(x)=exf(x)=ex 的解析导数，并用梯度下降复现 f(x)=(x−3)2f(x)=(x−3)2 的收敛过程。最后还有两个图：泰勒展开逼近 sin(x) 的多项式阶数对比图，以及黎曼和逼近定积分的可视化。

这还只是第 1 篇。01-线性代数 从"一张表格引发的降维之旅"讲起，02-概率论 从"奶茶店下雨天备货"讲起，03-信息论 从"春晚 32 位歌手猜冠军"讲起，04-最优化 从"深夜迷路下山"讲起，06-机器人学基础 从"端咖啡的机械臂在想什么"讲起。

一个非常值得注意的设计：每个数学主题的 Notebook 都会在某处与后续章节呼应。例如：

• 00 高数 → 反向传播（03-深度学习）、梯度下降与 Adam（08-优化算法）

• 01 线代 → PCA（02-机器学习）、Transformer 的 QKV（04-LLM）

• 02 概率 → 朴素贝叶斯、HMM、CRF（02-机器学习）、强化学习 MDP（07）

• 03 信息论 → 交叉熵损失、RLHF/DPO 的 KL 约束（04、07、12）

• 04 最优化 → SVM 对偶（02）、拉格朗日与 KKT（08-优化算法）

这种「数学 → 应用」的映射表直接写在 00 模块的 README 里，一眼就能看出"我学这块数学到底为了哪个算法"。

三、数据结构与算法：14 篇 Notebook + 11 份模板代码 + 高频题单

01-数据结构与算法 是整个仓库里最"工程化"的模块。

它有 14 篇教学 Notebook（00-排序到 13-字符串），每篇的规模都不小，例如00-排序算法.ipynb：

• 先给出 10 种排序的复杂度总表（冒泡 / 选择 / 插入 / 希尔 / 归并 / 快排 / 堆排 / 计数 / 基数 / 桶），用一张表建立全局；

• 然后逐节展开，每一节都遵循同一个套路：原理讲解 → 复杂度推导 → 手写代码（带中间输出） → 面试考点；

• 例如快排那一节，不仅给出 Lomuto 分区代码，还推导了最坏情况（已排序数组 + 固定 pivot）递归深度 O(n)，并用depth_used函数量化对比了"已排序数组 n=200 递归深度 198"和"随机数组 n=200 递归深度 14"；

• 计数排序会打印频次数组与前缀和数组的中间结果；

• 堆排序会实际运行n=100000的建堆与完整排序，对比时间，说明"建堆 O(n)"与"排序 O(n log n)"的差异。

更值得称道的是模板代码/目录——11 份.py文件，全部是背诵级手写模板：

• 00-排序模板.py：插入 / 归并 / 快排 / 堆排

• 01-二分查找模板.py：标准二分 / lower_bound / upper_bound / 值域二分 / 旋转数组

• 02-双指针与滑动窗口.py：对撞 / 滑窗框架 / 最小覆盖子串 / 滑动窗口最大值 / 贪心区间类

• 03-链表模板.py：反转 / 区间反转 / 环检测 / 合并有序链表 / 倒数第 k / 链表归并排序

• 04-栈与队列模板.py：单调栈 / 单调队列 / 双栈队列

• 05-二叉树模板.py：三序遍历（递归 + 迭代）/ BFS / LCA / BST / 最大路径和

• 06-回溯模板.py：子集 / 组合 / 全排列 / 去重 / 组合总和 / N 皇后

• 07-动态规划模板.py：0-1 背包 / 完全背包 / LIS / LCS / 打家劫舍 / 区间 DP / 编辑距离

• 08-图模板.py：BFS / DFS / 拓扑排序 / 二分图 / Dijkstra / 0-1 BFS

• 09-堆与TopK模板.py：手写堆 / 快选 / 双堆中位数

• 10-位运算与字符串模板.py：位技巧 / KMP / Rabin-Karp

每个模板文件都带头注释，说明复杂度、变量含义、循环不变量、边界条件、面试追问，末尾还有if __name__ == '__main__':的自检测试。

此外，高频题单.md按 13 个类别列出了 LeetCode 题号清单（可以打勾），复杂度速查.md则给出数据结构操作、排序算法、常见算法的复杂度对比，并附"n 从 10 到 10⁶ 时允许的复杂度"的判断题速查。

面试前 30 分钟，你可以只看三份文件：高频题单.md+复杂度速查.md+模板代码/README.md。

四、机器学习：13 篇推导笔记，每篇都是"完整闭环"

02-机器学习 的推导笔记/目录下，是 13 篇 Notebook：

00-机器学习总览与速查 01-线性回归 02-逻辑回归 03-朴素贝叶斯与K-Means 04-SVM 05-PCA 06-GBDT 07-决策树与随机森林 08-KNN 09-AdaBoost 10-神经网络与反向传播 11-HMM隐马尔可夫模型 12-CRF与最大熵模型 13-特征工程与模型评估

这些 Notebook 的结构可以用 02-逻辑回归 那篇来举例。

开头是本章导读：告诉读者这一章讲什么（从 log-odds 推出 sigmoid、推交叉熵梯度、讲清与 softmax 的关系），并列出"学完本章你应该能做到"的 4 条。

然后是 §1 原理：从"博彩公司定赔率"引入 odds 与 log-odds，说明逻辑回归本质是"在对数几率空间里做线性回归"。

§2 是完整推导：从似然函数写出交叉熵，用 σ′=σ(1−σ)σ′=σ(1−σ) 手推梯度 X⊤(p−y)X⊤(p−y)，并特别标注了"求和版"与"批平均版"的口径统一。

§3 是手写代码：定义了数值稳定的 sigmoid（正负分支分开处理防溢出），实现了一个完整的LogisticRegression类，然后跑数据验证。

§4 是 softmax 多分类：从 softmax 的雅可比矩阵推到交叉熵梯度仍是 pk−ykpk​−yk​。

§5-§7 是决策边界、类别不平衡、正则化、面试追问。

§8 是自测清单（L1 / L2 / L3）。

末尾是本章小结：用"原理一句话 + 必会公式 + 面试怎么考 + 易错点"四块压缩全章。

SVM 那篇同样结构清晰，从感知机讲到最大间隔，再到拉格朗日对偶、KKT、软间隔、核技巧，最后手写了一个简化版 SMO 算法。值得一提的是它的可视化做得很好——附图是一张手绘风格的 SVG，把决策超平面、±1 间隔边界、支持向量、宽度公式 2/∥w∥2/∥w∥ 都标注出来了。

GMM 那篇（在 03 朴素贝叶斯与K-Means 里）尤其硬核：从 GMM 的似然函数出发，完整推导了 EM 算法的 E 步（后验 γikγik​ 公式）和 M 步（三个更新式），然后在代码里用 log 空间实现（log_gaussian+logaddexp.reduce）防下溢，并画出了拟合的高斯椭圆。

整套机器学习的统一"三句话模板"写在 00-总览里：

① 模型假设：它认为数据是怎么生成的？公式是什么？
② 学习算法：最小化什么损失？怎么优化（闭式解 / 梯度下降 / EM）？
③ 适用场景与局限：什么时候用它？它怕什么？

这实际上是把面试答题的"套路"提前教给你了。

五、深度学习与 LLM：从 MLP 到 Mamba、MoE、DPO 的前沿覆盖

03-深度学习 有 15 篇 Notebook，从多层感知机与反向传播一路到 Transformer、Mamba、GAN、VAE 与扩散模型。04-LLM大模型 则更完整，24 篇 Notebook 覆盖：

00-神经网络基础 01-自注意力 02-多头注意力 03-位置编码与RoPE 04-前馈网络与激活函数 05-层归一化LayerNorm 06-编码器与解码器 07-输出层与损失函数 08-注意力变种MQA与GQA 09-MiniMind整体架构 10-BPE分词器 11-预训练循环 12-LoRA与SFT 13-DPO与RLHF 14-量化入门PTQ与QAT 15-RAG与Agent 16-MoE混合专家 17-长上下文扩展 18-解码采样 19-KV缓存 20-PEFT变种 21-PPO与GRPO手推 22-深度量化GPTQ与AWQ 23-知识蒸馏 24-前沿模型与推理时扩展

这套目录本身就说明作者对大模型技术栈的把握——从注意力机制到位置编码、从预训练到 SFT/DPO/PPO、从 LoRA 到量化、从 RAG 到 Agent、从 MoE 到长上下文，几乎覆盖了 2023 年以来所有重要的技术方向。

而且从目录命名看，09-MiniMind整体架构应该是一个"从零实现一个小型 LLM"的综合章节，21-PPO与GRPO手推则直接把手推推到了当前最热门的 RLHF 算法上。

六、八股与工程：16 张图 + 8 个主题 + 手撕代码

05-八股与工程 是另一个工程化程度极高的模块。它的images/目录下有 16 张示意图，全部是配合八股讲解的：

db_bplus.png # B+ 树 db_mvcc.png # MVCC dist_cap.png # CAP 定理 dist_consistent_hash.png # 一致性哈希 dist_token_bucket.png # 令牌桶限流 git_branch.png # Git 分支 hand_lru.png # LRU 手写 net_congestion.png # TCP 拥塞控制 net_http2.png # HTTP/2 net_tcp_fourwave.png # TCP 四次挥手 net_tcp_handshake.png # TCP 三次握手 os_paging.png # 操作系统分页 os_process_states.png # 进程状态 python_gil.png # Python GIL redis_bloom.png # Redis 布隆过滤器 redis_cache.png # Redis 缓存

每个主题都有.ipynb和.md两个版本——Notebook 用于对照运行与推演，Markdown 用于快速阅读。主题覆盖：

01-Python语言 02-操作系统 03-计算机网络 04-数据库 05-Redis 06-分布式 07-工程工具 08-高频手撕代码

其中08-高频手撕代码配合hand_lru.png这类图，大概率是手写 LRU 缓存的完整推演。

七、被大多数人忽视的两个「加分项」模块

7.1 06-面试复盘

这个模块只有两个文件：复盘模板.md和README.md。但它的存在本身就是一个非常成熟的设计——它告诉读者"面试不是结束，而是新一轮学习的开始"。复盘模板能帮你把每次面试的问答、卡点、错题结构化记录，形成正循环。

7.2 00-数学基础/教学/06-机器人学基础

这个 Notebook 是数学模块里的最后一篇，也是全仓库里少数带有具身智能色彩的内容。它从刚体变换 → 正运动学（DH 参数）→ 逆运动学（解析 + 数值）→ 雅可比矩阵与奇异位形 → 拉格朗日动力学一路推下来。

例如，2 连杆平面臂的正运动学：

x=l1cos⁡θ1+l2cos⁡(θ1+θ2)x=l1​cosθ1​+l2​cos(θ1​+θ2​)

逆运动学解析解：

雅可比矩阵：

以及完整的 2 连杆拉格朗日动力学公式（含质量矩阵 MM、科氏离心项 CC、重力项 GG）。

这套内容对应的是 14-具身智能模块的前置知识——具身智能那篇 README 里应该会把它列为"建议先修"。

八、22 个模块全景：从数学到大模型，再到 15 个细分方向

把全仓库所有模块列一遍，能更直观地看出它的广度：

说实话，这样一个仓库，已经接近一个 AI 方向「全栈秋招」的百科全书了。从底层数学、数据结构、操作系统、网络、数据库，到机器学习、深度学习、LLM、多模态、强化学习、具身智能、AI Infra，再到数据科学、推荐、图神经网络——几乎所有 AI 相关岗位都能在这里找到对应的模块。

九、它为什么能被称为「可执行」的仓库

最后我想专门聊聊"可执行"这三个字。

很多学习资料的问题在于——你读完之后，不知道下一步该干什么。你知道有 SVM 这么个东西，但不知道该先看什么、后看什么、学到什么程度算学会了。

这个仓库解决这个问题的方式非常具体：

1. 每个模块都有明确的入口和出口：README 告诉你本模块的定位、建议学习顺序、与其它模块的关系；Notebook 末尾有小节和小结。

2. 每篇 Notebook 都有可以运行的代码：不是"看懂了就行"，而是"跑一遍看结果，再和自己手推的对一下"。比如逻辑回归那篇会打印损失从多少降到多少、准确率是多少、和 sklearn 的决策边界余弦相似度是多少。

3. 每篇末尾有 L1/L2/L3 三级自测清单：L1 是"必会"，L2 是"进阶"，L3 是"挑战"，你可以对照自己勾选。

4. 有可打的勾选清单：高频题单.md全部用- [ ]组织，学完一个勾一个。

5. 有考前速查：数学模块有 05 八股速查，算法模块有复杂度速查.md，机器学习有 00 总览和附录 A 公式速查表。

6. 有复盘模板：06 模块专门用来记录面试反馈，形成正循环。

用作者自己在 00-数学基础 README 里的话说：

学完本模块，你应该能回答：梯度为什么反着走？SVD 为什么无处不在？熵为什么等于信息量？交叉熵为什么当损失？拉格朗日乘子到底在干嘛？

这种"用问题定义学习目标"的思路，贯穿了整个仓库。

十、结语：一个值得"住进去"的仓库

如果要用一句话总结这个仓库，我会说：

它把 AI 秋招这件庞大而模糊的事，拆成了 23 个模块、几百个 Notebook、上千个代码单元、几百道自测题——然后每一项都可以单独开始、单独完成、单独打勾。

它的价值不在于"内容最新"（虽然 LLM 模块确实很新），也不在于"篇幅最大"（虽然确实很大），而在于它给了你一张能落地执行的地图。

你可以在某个深夜打开00-高数与微积分.ipynb，跟着"开车、爬山与看仪表盘"的故事，手推一遍 f(x)=x2f(x)=x2 的导数，跑一遍梯度下降，然后合上电脑，感觉自己离 AI 又近了一点点。

你也可以在面试前 30 分钟，翻出05-数学基础面试八股与高频题.ipynb，把公式速查表过一遍，再把 20 个高频追问的"30 秒标准答案 + 一句话口诀"念一遍，然后走进面试间。

这就是一个"可执行仓库"该有的样子。

仓库地址：GitHub - Akun-python/autumn-recruitment: Autumn-Recruit Algo Notes(秋招算法学习仓库)，面向大模型时代的算法、工程与AI学习共建仓库。从数学基础、数据结构，到机器学习、深度学习、LLM、Agent、AI-Infra、语音与数据科学，通过「理解→推导→手写 → 运行 → 验证 → 复盘构建可持续迭代的知识体系。 · GitHub

其他资源↓↓↓

Github搜不同搜索词结果如下↓

问AI：我准备在Github上找一些找工作的干货资料，请你给我10个中英文搜索词。如秋招、面试、面经、autumn recruit、book。

搜嵌入式结果：

嵌入式结果--最佳匹配（至少把前5页结果看一下）

嵌入式结果--最高星标

嵌入式知识点总结

嵌入式面试笔记

嵌入式经典书籍

嵌入式项目收集

搜“秋招”结果：

秋招结果

搜“autumn recruit”结果：

autumn recruit结果

搜“面试”结果：

面试结果

搜“面经”结果：

面经结果

搜“book”结果：

book结果

fullstack-tutorial（全栈工程师课程）：全栈工程师课程
CS-Notes（技术面试必备基础知识）：技术面试必备基础知识
some-many-books（CS有关书籍）：CS有关书籍
free-programming-books（免费编程书籍）：免费编程书籍
free-programming-books-zh_CN（免费中文编程书籍）：免费中文编程书籍
CS-Books：计算机书籍
books（多学科全面的书库）：多学科全面的书库
expert_readed_books（适合工程师读的50本书）：适合工程师读的50本书

CSDN搜“嵌入式知识点”结果：嵌入式结果

B站搜“嵌入式”的所有博主嵌入式-哔哩哔哩_bilibili

B站搜“嵌入式”的前5页结果可以汇总一下 嵌入式-哔哩哔哩_bilibili

（想学AI技能，B站有大量真正免费且高质量的教程。但不要相信博主引流X元课）

嵌入式半月刊

安富莱嵌入式周报