我想结合自己的经历来说明一下，当然都是个人经验，仅供参考。

其实对于有些人来说进大厂很容易，另一些人来说进大厂就非常难。 我曾经写一段随笔，强者恒强，弱者恒弱。当一个人的起步比较强的时候，他后面的路就越来越好走。进大厂最容易的路就是上一个好大学，大厂都是去名校招聘的，即便在社招里也会参考候选人的第一学历。而当第一步走好了，进入大厂以后，后面跳槽去别的大厂也会很容易（只要别太拉胯），因为招聘时除了自身硬性水平外，背景也是非常重要的。 如果候选人在阿里能干上 5 年，那就说明起码候选人在阿里的工作大概率是没太大问题的，否则以大厂的淘汰机制他也干不满 5 年。 所以对标阿里的其他大厂看到候选人的这段履历后，心里基本上就已经给了一个基本分了，这时候只要面试别拉胯就差不多能过。

而对于第一步没走好的人来说，后面想进大厂就比较难。除了没有强悍的学历和工作背景的支持外，也没有大厂里那大规模业务的经验。这在一些领域里很吃亏， 比如 AI，大数据，云计算这些烧钱的领域，比如电商，短视频，直播这些烧流量的领域（小厂流量上不去没机会锻炼技术方案）。

所以一步错，步步错。

而我就是第二种人，毕竟我是三表学历，外包出身（干过 4 年外包），这就注定了我们这种人需要付出更多的努力，以及有更大的机遇才能翻身。 我就比较幸运，努力了，机遇也到位了。 但即便这样也是在 2021 年的时候才翻身进入的大厂，彼时我已经是整整 35 岁了。与很早就大厂的大佬不一样的是，我只能算踩到了互联网红利的尾巴。 所以财务自由这种事是不可能发生在我身上的，混个高级大头兵的位置就是我的极限（当然说好听点可以叫专家）。

对于我这种底子和背景都很差的人来说，想进大厂，就真的不是一件容易的事。所以我第一个建议楼主的就是找对方向，我的翻身之仗就两个节点，2015 年初从外包跳槽到互联网，2016 年跳槽到第四范式开始做 AI。第一个节点脱离了外包，让自己跟市面上大多数的同行站在了同一条线上，第二个节点让自己在一个比较早的时间点接触了 AI，后来 AI 爆火，奠定了我进入大厂的基本盘。当然在这个赛道里坚持做了 8,9 年时间也是一个重要的因素，社招进大厂，尤其是岁数大的人进大厂，定位就是专家，否则很难。如果楼主还年轻则会好很多。

所以，第一找对方向，第二坚持，第三勤奋。 坚持和勤奋是不一样的，勤奋和努力工作也是不一样的。勤奋不是要天天 996,007. 我觉得蛮多 996 和 007 的人反而能力一般，因为他们的精力都被重复劳动填满，属于一年工作经验用了 10 年的人。这里说的勤奋，是嘴巴勤快点多去请教自己不了解的东西，是脑子勤快点多去思考自己的学习方向，是双手勤快点多去实践自己的技术。 大厂社招要的是专家和 owner 型人才，我们的竞争对手都是其他有大厂背景和优秀学历的人，不在技术深度和广度上胜他们几筹是很难进大厂的。

所以，选好一个自己认为有发展的方向， 在这个方向上坚持个 3~5 年，不说每天都很勤奋，但大多数时候都要不停的去学习这个方向里的东西，不区分开发还是测试还是运维，只要是跟这个方向有关的，就要去学。因为现在大厂也是一个人负责好多事（降本增效，测开比悬殊，一人分多角），最后会发现笑到最后的都是复合型人才。如果只想着测试那点事，会发现任何一个领域你都测不出什么名堂。

不要妄想努力 3,5 个月的就能翻身，很多人挣不到钱的原因就是太想挣快钱了，快钱不是普通人能挣的，普通人最后的决胜点都是机遇（运气好）+ 坚持（耐得住寂寞和辛苦）+ 勤奋（主要是脑子勤奋，不是身体勤奋）。 不要妄想通过一个点去获取进入大厂的机会，没有什么刷多少算法题就能通过面试的理论，也没有学成了哪个技术就一定能进入大厂的规则，大厂都是看候选人在至少一个方向上的深度（对专家的要求），而这个方向包含的点太多了，它不是靠速成的。所以培训机构说的培训几个月进大厂拿 p6，p7 的都是扯淡的，能拿这个职位的人本身就不差，当然除非运气极好以及遇到了风口，比如当年的移动互联网，前两年的 AI，当然是不是风口就又跟运气有关了，毕竟谁也不敢保证自己看好的方向就一定是风口，普通人没什么独到的眼光，说白了都是押宝。我现在是借着 AI 的红利进大厂了，但 2016 年的时候谁敢说 AI 未来一定火，我也就是运气好，恰好选了 AI 而已。 所以，别想挣快钱，别想短时间内翻身，这些对普通人来说都不现实。

最后，祝愿楼主和各位同行早日年薪百万。

最好还是要有点代码基础的， 不会写代码的话， 在 AI 领域里也只能做个初级的测试人员

加入星球是得花 200 块钱，后面就不花钱了。

有手把手的教程帖子， 定期直播教程， 微信群

要不你加入我的星球吧哈哈哈，我星球里都有文章和直播录屏讲怎么测试。

不加也行， 你在 testerhome 上先看看我以前写的帖子。自己找一些开源模型自己测试一下找找感觉，慢慢就知道测试思路了。

老哥看一下我帖子里说的哈， 不能只看一半的。 帖子里表达了是在 deep seek v2 出现后国内才开始大规模开展，这里说的是大规模开展投入生产，而不是在研究室里拿几张卡随便玩一玩。尤其 PD 分离技术即便是字节也是去年才开始研究并投入生产的。 因为在这之前不需要有这种加速场景，以我们为例，在去年的时候挣钱的大头还是在计算机视觉，ocr，推荐等传统场景，大模型的变现能力是有限的。所以往年各大厂都没有动力去做大规模的大模型推理加速。 这次的 deepseek 的出现很大程度的促成了这种产品的发展。我们做的这个产品因为 deepseek，在用户量上有了质的提升。 所以线上卡的存量不够了，这才开始了大规模的 PD 分离架构的开展，还有大 EP 方案的研究。

这一点字节确实走在了国内的前沿， 他们在去年就开始做这些实践了。 大厂高工的技术能力还是很强的，加上大厂有钱，有卡， 所以现在只有大厂才有资源玩这些东西。

嗯， 是找我试错。 不过也确实是有必要的， 因为理论只是理论， 实现的过程中还是会有很多问题会影响性能。 容灾备份的东西也有， 我现在就是主要负责性能和容灾， 效果测试交给其他人了。

TP,EP,DP,PP , vllm vs sglang， pd 分离 vs pd 不分离， 还要做大 EP，kv store 等各种推理加速策略。 我懂的也不多 。反正就是算法和加速团队搞了一堆优化技术， 我只是负责测而已。

看你负责的产品类型和工种， 我这种在大厂常年搞云和高可用的， 属于必备技能。 如果只是业务测试，或者产品架构跟 K8S 和 docker 没有半点关系。那就没什么必要。

只不过大厂都是上云的， 中小厂也越来越多的上云了。 所以测试人员还是紧跟技术发展比较好。 否则以后面试的时候发现对方要求会这个，会那个。 但我们一个都不会，那就尴尬了。

可以的