📖 太夸张了，System Design Primer 这一个仓库，就把大厂系统设计从入门到面试全给你铺好了。 GitHub 上 37 万 star，直接封神了，作者 Donne Martin 的 GitHub 简介写着 Tech Lead @facebook。 准备系统设计面试最难受的地方是不知道从哪下嘴：CAP 定理背得滚瓜烂熟，真让你设计一个短链服务又不知道第一步该干什么。System Design Primer 把两头都补上了——前半部分是知识索引，一致性的三种模式、关系库怎么扩（主从、主主、联邦、分片、反规范化、SQL 调优）、NoSQL 的四种类型各适合什么场景；后半部分直接给题带解法，设计 Pastebin、Twitter 时间线和搜索、网络爬虫、 AWS 架构，都有完整的推演过程。 细节也很实在，比如可用性那段直接把账算给你看：三个 9 是一年能停 8 小时 45 分，四个 9 只剩 52 分钟，这种数字记下来面试现场就能用。配套还做了三套 Anki 卡组，通勤路上能刷；作者另有一个姊妹仓库专门练编码面试。 中文版 README 也在，这一课没有借口不补了。 GitHub：

刚才看了一会system design，翻到一个概念叫back-of-envelope calculation 说白了就是估算数量级，不用精确到个位数，但得先有个数量级的直觉 书里举的例子是估算Twitter的存储开销，假设日活多少、平均每条推文占多少字节、图片视频占比多少，几步乘下来，一年大概要多少存储 这套东西看着简单，其实是工程师很重要的一个素质，真正做系统设计的时候，没人指望你一开始就给出精确方案 但你得知道，这个系统大概是要扛百万级请求，还是十亿级请求，数量级不同，整个技术选型都是完全不同的路子 单机数据库还是分库分表，同步写还是异步队列，全看你这个粗估算得准不准

📖 面试前突击系统设计的看这个，system-design-notes 把 Alex Xu 那两卷《System Design Interview》的 28 个章节全嚼碎了。 GitHub 上 1.7 万 star，三千三百多个 fork——fork 数快到 star 的两成，说明是真有一批人 clone 下来自己接着写。 准备系统设计面试最难受的不是看不懂，是资料太散：书要买，视频要挑，博客东一篇西一篇，看完第二天就忘了哪个知识点在哪。 system-design-notes 直接给你一条线走完：从系统怎么扩、时延怎么估、限流器怎么设计开始，一路到支付系统、数字钱包、股票交易所。每个主题底下还挂着原始出处——Amazon Dynamo 论文、Google BigTable 论文、Twitter Snowflake 的公告、Discord 和 Slack 的技术博客、Netflix 讲视频编码的那篇。想只过一遍笔记也行，想顺着链接深挖也行。 作者写明了还在持续补，不是已完稿的东西，别当唯一资料用。 别人替你把书读薄了，你只管读。 GitHub：

🧭 微软 MVP 刚整理出一套企业系统设计手册 enterprise-system-design，带你从零把一套能扛生产的大型分布式系统设计明白。 enterprise-system-design 的作者 Hazem Ali 是 Microsoft MVP、二十多年企业软件老兵，这份资料就是他把自己的工程原则一条条写下来的。 很多人学系统设计卡在同一个地方：概念看了一堆，真要动手设计一个可靠的服务，却不知道从哪根线头拉起。这份手册把它拆成从「地基」到案例研究的十一个模块，数据与检索、AI 控制平面、推理服务、安全治理一路铺开，专门辟出一块讲生产级 AI 系统怎么算 token 预算、怎么管模型延迟和工具权限。 它还用 Azure 的五个维度——可靠性、安全性、成本、运营、性能——当复盘视角，每章都让你留下需求假设、信任边界、容量成本、故障模式这些实打实的设计产物，而不是看完就忘。 系统设计这门课，终于有人按生产现场的样子讲了。 GitHub：

想在 2026 年成为世界级软件工程师？光闷头写代码可不够，得知道外面的人都在琢磨啥。 刷到一份博主整理的 Newsletter 清单，五个方向，我看了下覆盖得还挺全，从底子到带团队再到 AI，基本一条龙。给你扒出来： 1️⃣ 系统设计 The System Design Newsletter，搞懂大系统怎么搭，这块是硬功夫，绕不过去。 🔗 2️⃣ 给工程师用的产品思维 Product for Engineers，PostHog 出的，写代码的人也得懂点产品，不然永远只是执行的那个。 🔗 3️⃣ 工程管理 Engineering Leadership，Gregor Ojstersek 写的，想从写代码的混到带人的，看这个。 🔗 4️⃣ 搞懂 AI Decoding AI Magazine，Paul Iusztin 出品，2026 年还不碰 AI，那是真要被落下了。 🔗 5️⃣ 每周科技精选 Hungry Minds，一周挑几篇值得读的，省得你自己满世界翻。 🔗 说句实话，光收藏不读等于没看。挑一两个你最缺的，先订上，每周抽点时间扫一遍，一年下来差距就出来了。

说真的，GitHub上藏着一堆宝贝，大多数人根本不知道。 我整理了35个仓库，分四类给你，建议截图收藏，以后用得上。 一、学习类（打基础用的） 1️⃣ public-apis — 免费API大合集，做项目直接拿来用，不用自己造轮子 2️⃣ build-your-own-x — 边做边学，比看书强十倍 3️⃣ developer-roadmap — 不知道学什么方向？进去看一眼，路线图全给你画好了 4️⃣ free-programming-books — 免费编程书，能省不少钱 5️⃣ coding-interview-university — 自学计算机科班内容，有人靠这个进了大厂 6️⃣ the-art-of-command-line — 终端用得溜，效率直接翻倍 7️⃣ project-based-learning — 项目驱动学习，学完就能上手 8️⃣ you-dont-know-js — 你以为你懂JavaScript？进去看看再说 9️⃣ freeCodeCamp — 免费编程课，从零开始也能跟上 二、工具类（干活用的） 1️⃣ system-design-primer — 系统设计必读，面试聊架构全靠它 2️⃣ tech-interview-handbook — 面试准备手册，刷完通过率肉眼可见地高 3️⃣ javascript-algorithms — 算法可视化，看得懂，记得住 4️⃣ 30-seconds-of-code — 实用代码片段，复制粘贴直接用 5️⃣ gitignore — 各语言.gitignore模板，别再手写了 6️⃣ the-book-of-secret-knowledge — 黑客资源合集，懂的人懂 7️⃣ awesome-selfhosted — 想自建应用？这里全是开源替代品 8️⃣ markitdown — 各种文件一键转Markdown，省事 9️⃣ maigret — 3000多个网站OSINT查询，信息收集神器 三、AI基础设施类（现在最值钱的方向） 1️⃣ ollama — 本地跑AI模型，不花一分钱API费 2️⃣ langchain — 构建AI应用的基础框架，绕不开 3️⃣ n8n — AI自动化工作流，能替你干很多重复活 4️⃣ dify — 可视化创建AI代理，不会代码也能玩 5️⃣ langflow — 拖拽式搭AI管道，门槛极低 6️⃣ mem0 — 给AI代理加记忆层，让它记住你说过的话 7️⃣ open-webui — 自建ChatGPT界面，数据留在本地 8️⃣ aider — 终端里的AI编程助手，写代码快很多 9️⃣ huggingface-transformers — 现代AI的地基，绕不开这个 四、多代理AI类（下一波红利在这） 1️⃣ browser-use — AI直接控制浏览器帮你干活 2️⃣ crewai — 多个AI代理组团协作，像个虚拟团队 3️⃣ autogen — 微软出的多代理框架，稳 4️⃣ metagpt — AI代理模拟整个软件公司，细思极恐 5️⃣ tradingagents — 交易多代理框架，量化方向的人注意了 6️⃣ lobe-hub — 可视化多代理平台，管理起来方便 7️⃣ cocoindex — 长文本代理引擎，处理大文档用得上 8️⃣ agency-agents — 完整AI代理机构框架，直接拿来二开 这35个仓库，光是AI这块就够你研究半年。 现在不收藏，等你想用的时候根本找不到。

兄弟们，40个有用的GitHub仓库，强烈建议收藏起来！ 1. public-apis — 免费API合集 2. build-your-own-x — 边做边学 3. developer-roadmap — 学任何技术 4. free-programming-books — 免费书籍 5. system-design-primer — 掌握系统设计 6. coding-interview-university — 自学计算机 7. the-art-of-command-line — 精通终端 8. project-based-learning — 项目式学习 9. you-dont-know-js — 深入学JavaScript 10. the-book-of-secret-knowledge — 黑客资源 11. tech-interview-handbook — 面试通关 12. awesome-selfhosted — 自建应用 13. javascript-algorithms — 可视化算法 14. 30-seconds-of-code — 实用代码片段 15. gitignore — 各语言模板 16. ollama — 本地运行AI模型 17. langchain — 快速构建AI应用 18. n8n — AI自动化工作流 19. openclaw — 本地AI助手 20. dify — 可视化创建AI代理 21. langflow — 拖拽式AI管道 22. mem0 — AI代理记忆层 23. browser-use — AI控制浏览器 24. ruflo — Claude代理编排 25. crewai — 多代理AI团队 26. hermes-agent — 开源AI代理 27. markitdown — 文件转Markdown 28. maigret — 3000+网站OSINT 29. open-webui — 自建ChatGPT界面 30. aider — 终端AI编程助手 31. agency-agents — 完整AI代理机构 32. tradingagents — 交易多代理框架 33. browserbase-skills — Claude网页SDK 34. autogen — 微软多代理框架 35. metagpt — AI代理软件公司 36. lobe-hub — 可视化多代理平台 37. huggingface-transformers — 现代AI基础 38. cocoindex — 长文本代理引擎 39. freeCodeCamp — 免费编程学习 40. stable-diffusion-webui — 本地AI画图

推掉 offer、延毕转AI safety，他一个月重新拿到 offer 刚看完一篇研究员求职复盘，作者 Yong Zheng-Xin，布朗大学五年级 PhD。 他的经历有点特别：读到最后一年，从多语言 / post-training 直接 pivot 到 AI safety，拿了 Astra Fellowship（在 OpenAI 做），为此把毕业推到 2027，还推掉了手上已有的 offer。 后来重启求职，本来计划 7 月才开始面，结果担心 headcount，5 月中就上了，6 月中就拿到满意的 offer，甚至撤掉了一些还在进行的面试。 他写了 6 个让他意外的点，我觉得对正在找 research 岗的人挺有用，整理一下👇 1/ 真正起作用的，可能只有一两篇 paper，甚至一篇都不靠 他多语言方向的 paper 数量远超 safety，还拿过 best paper。但 pivot 之后，这些一篇都没影响到面试结果。 paper 的作用其实就两个：① 敲门，你做过 team 感兴趣的东西，于是被放进 pipeline；② deep dive，research presentation 时聊一篇的动机和细节，有时短到只有 20 分钟。 所以发表数量除了证明 credibility，没那么重要。你随时可以转去一个你觉得更重要的方向，只要在新领域证明够强、team 想要你。 2/ 面试轮次的花样，超出预期 他本来以为就是 fresh-grad SWE 那套：LeetCode + behavioral + 一些 LLM / 深度学习。结果遇到了 system design、并行编程（用 asyncio 手写并发），甚至还有专门评估你“用 AI agent 用得好不”的轮次。 结论很简单：永远预期 wildcard。 3/ Work trial（试岗）越来越常见 他原以为 work trial 只在 AI safety 岗比较常见，结果发现 AI startup 也越来越多。 试岗和 onsite 完全是两回事：不是飞过去面几轮，而是真的跟团队一起做一个任务，有时还是开放式的。通常带薪，但有的线下试岗能持续整整一周。 副作用是：试岗期间你几乎没法准备别家面试，因为得全力扑在当前任务上。同时面多家、又赶时间的话，这点排期要特别小心。 4/ 时机的权重，比你想的大 去年秋天，AI safety 岗极难找，远不如 RL 相关的多；但现在一堆 startup 开始招 safety（比如 Lila、Mechanize）。 几个现实： 你的工作 viral 了，会有一波机构同时来找你，别被打懵，接住这个时机。 你的方向变热，机会整体变多，但窗口可能不到一个月，也可能拖上几个月。 headcount 一定要问 recruiter，尤其你打算推迟、或想同时面多家时。 面试可以试着往后推一两个月，但一旦开面，各轮之间的间隔通常很短。有些岗位还希望你下个月、下下个月就入职（这点能谈）。 5/ Return offer 很稀少 SWE 那边 return offer 基本是常态，research 岗就完全 case-by-case。 他 2024 在 Meta 实习，return 全职 offer 很少，高度依赖 headcount 和 team，身边不少人没拿到。他在 OpenAI 做 Astra fellowship，最后也还是和所有应聘者一样走完了全部面试轮。听说有的机构更快，如果 team match 成了，再补一两轮就行。 6/ 很多面试，跟你的方向根本没关系 他从能力研究（多语言）转到 safety，本以为 safety 相关的面试会占大头。 结果并不是。他遇到很多轮跟 safety 毫无关系，甚至跟他研究兴趣都不沾边。有些地方还是在考你“作为一个 AI researcher 够不够全面”。 他觉得这有道理（领域跑得快，基本功值得查），但预期还是落空了。也许 senior 岗会不一样。 前两天刚写完 Silvia Sapora 那篇顶级 ML Research Scientist 面试指南，这篇刚好补充了另外一个视角。

拿遍硅谷顶级 lab offer 的人，写的ML面试指南 刚看完一篇 ML Research Scientist 面试指南，作者是 Silvia Sapora，PhD 做 ML，最后拿到了 DeepMind、Isomorphic Labs、Cohere、Meta和一家 stealth startup 的 offer，最后去了 DeepMind。 文章讲了很多实操指南，比如他说ML 求职已经越来越像一个工程项目、顶级researcher也会因为没准备面试而挂（原文里说，她认识很多极强的人，就是因为没准备而被拒）。感觉国内顶级researcher的面试也大概是这样。 总结一下看完体会最深刻的点，希望最优秀的研究员们，都能找到顶级的工作，不要因为没准备好面试，让才华短暂被埋没。 希望对大家有用。 1/ 拿到面试前，就是看简历 大家也可以按这个方向完善自己的履历： 3 篇以上一作/共同一作顶会 paper，至少一次大厂/前沿实验室实习，才比较稳定拿到 top lab 的 callback。 这里还有几个小细节： a.cold email 可能比想象中有效。尤其是直接写给 hiring manager 或团队成员，不要重复 CV 上已经有的东西，而是要讲清楚：你为什么 fit 这个 team，你为什么真的对他们的工作感兴趣。 b.cover letter 不要完全交给 LLM 写。可以让 LLM polish，但原始内容最好自己写，要有真实兴趣和个性。 c.LinkedIn / X 上的岗位信息要对看。很多 internship / research role 可能只通过某个 researcher 的帖子和 Google form 流出来。 2/ 一旦进面试，忘掉CV 但一旦进入面试，CV 基本就没用了。 很多面试官甚至不会仔细看你的简历。你有再多 ICLR / NeurIPS / ICML paper，这时候都没什么用了。 面试现在已经非常“杂技化”。 LeetCode、ML coding、debugging、ML fundamentals、LLM/RL/diffusion、system design、research discussion，全都可能问。 说白了，更像是一个压缩版竞技项目：45 分钟内，在陌生人注视下，把你平时几个月慢慢想、慢慢查、慢慢 debug 的东西，现场做。 b.这里有个很实用的方法。 每次面试前，她会把JD、公司、面试类型丢给 LLM，让它 mock interview，而且实际问题经常撞上（笑死，毕竟我估计问题也是AI写的）。 她还列了一张 baseline 清单，能在限时下从头写出来，才算状态在线： ① 端到端实现一个 transformer ② causal / cross / self attention ③ flash attention，以及它的 backward pass ④ MLP 的前向和反向 ⑤ 用 PyTorch 或 JAX 写一个带 SGD 的训练 loop c.还有个细节，越到顶级 lab，越不能靠“我懂这个方向”混过去。他们会问到非常基础，也会问到非常细，甚至会问你熟悉领域里最容易被忽视的部分。 3/ 情绪管理 她说自己最严重的问题是睡不好。一周 10 场面试的时候，整个人快被榨干。她还吃不下，看到食物会反胃，最后只能靠猛灌可乐补糖续命（她也说了，这不是什么最优解，只是她当时能想出的唯一办法）。 她还有一套面试前仪式：背景里插一束新鲜的花、化妆、看同样几个 comfort 视频。 听起来很琐碎，但我觉得非常真实。高压面试最可怕的，不一定是你不会，而是你明明会，但脑子突然空白。 4/ 谈薪是一场暗战，而且你大概率被读穿了 一天最好只排一场面试；先面自己没那么想去的公司练手；让不同 offer 尽量落在同一个窗口。 然后，主动告诉每家公司你还有其他流程。听起来很“职场”，但这些真的会影响最后结果。 到了谈 offer 阶段，peer offer 的重量也完全不一样。OpenAI / Anthropic / DeepMind 这种互相之间的 offer，才真的有谈判筹码（这部分大家都熟练了）。 这部分不要太信“谈判要像盲拍、别亮底牌”那套，好几家公司明确要求她出示竞争 offer 的截图才肯加价，有一家甚至当场质疑她截图的真假（lol）。 而且 recruiter 极其会读人。你多频繁提一家公司、用什么语气谈论它，全都是会被记录的信号。一旦对方知道自己已经是你的首选，你的谈判筹码基本就没了。她说自己很透明、很好读，所以在这上面吃了点亏。 唯一让人稍微松口气的是：公司真的想要你的时候，能报的数字比你以为的大得多。永远值得开口问，多数公司愿意谈。 其实她的履历已经很顶了。但她复盘下来，最有用的结论反而很朴素：做研究，和通过 ML 面试，是两套能力。

如果我要在90天内找到一份20万美元的AI工程师工作，我不会去读学位。 我会精通这10个GitHub仓库。 1. awesome-llm-apps 生产级AI指南。RAG、智能体、多模态应用，附完整代码。10.6万+ stars。 仓库 → 2. LangChain 基础框架。被Klarna、Replit、Elastic及2026年大多数AI创业公司用于生产环境。 仓库 → 3. LangGraph 驱动生产智能体的编排层。资深AI工程师岗位描述中的必备技能。 仓库 → 4. CrewAI 多智能体协调。财富500强团队首选框架。 仓库 → 5. Ollama 在自己机器上运行任何开源LLM。学习模型工作原理的最快方式。 仓库 → 6. awesome-mcp-servers MCP是2026年所有主流AI实验室采用的标准。掌握它让你领先99%的工程师。 仓库 → 7. Qdrant 大规模生产RAG使用的向量数据库。嵌入和语义搜索是AI岗位的必需技能。 仓库 → 8. AI-Agents-for-Beginners 微软免费12课程，教建立智能体。真实代码、真实练习、真实面试准备。 仓库 → 9. system-design-primer 生产级AI就是系统设计。FAANG工程师用来面试准备的仓库。 仓库 → 10. awesome-claude-code 这个工具的使用指南，现被FAANG、OpenAI、Anthropic及大多数YC创业公司内部使用。 仓库 →