只会刷题，不会讲业务
LeetCode 刷得不少，但说不清推荐、广告、风控、优化这些岗位到底在优化什么目标，也讲不清项目收益是怎么来的。
面向业务算法岗位的系统教程，把岗位职责、业务目标、指标体系、数据链路、模型策略、实验评估和系统约束放在同一条主线上。 覆盖搜广推（含广告投放）、内容风控、运筹调度、NLP / AIGC 等方向的面试和项目表达。
从岗位认知开始，逐步进入搜广推、强化学习、NLP / AIGC、运筹优化、风控与面试；广告投放作为搜广推商业化分支收纳在搜广推模块中。
先讲清楚岗位边界、能力栈、指标体系、实验逻辑和求职路线，避免一上来就陷入只谈模型不谈问题的误区。
召回、粗排、精排、多样性、特征工程、样本构造、广告投放、预算控制和出价优化，是多数算法岗最常见的主战场。
不堆抽象定义，直接回到工业场景里的状态、动作、奖励、探索利用和离线评估。
从经典 NLP 到大模型应用，重点放在岗位迁移、RAG、评测、效果对齐和成本控制。
把建模、LP / ILP、匹配、启发式搜索、调度分配这些经常被忽略但岗位很多的方向单独讲清楚。
算法不只是模型，还有目标函数、策略设计、收益平衡和跨团队协作，这部分专门补业务视角。
规则系统、审核模型、多模态、人工回流和风险闭环，是典型的高业务约束算法场景。
把项目表述、指标归因、数据偏差、排序系统设计、开放 Case 和真实 JD 面经拆开，按真实面试考点准备。
推理加速（KV Cache、量化、TVM）、训练显存计算、C++ 底层与 PyTorch 性能优化，面向 AI 基础设施方向。
用一个真实业务算法项目把数据、指标、模型、策略、系统和复盘串起来，形成完整作品级案例。
很多人会刷题、会调模型，但一到算法岗面试和真实业务场景，表达就断了。
LeetCode 刷得不少，但说不清推荐、广告、风控、优化这些岗位到底在优化什么目标，也讲不清项目收益是怎么来的。
能写网络、能跑实验，但说到 offline / online 指标、ablation、A/B 实验、收益归因和风险约束时，答案容易散。
真正的算法岗看的是系统约束、延迟、成本、策略和稳定性，而不只是看你有没有上过一个模型。