- 🏫 福州大学 数据科学与大数据技术专业在读（2026-01 软件工程与软件工程实践班）
- 🎯 目标岗位：大数据开发 / 数据工程方向工程师（Python / Java + SQL 技术栈）
- 🌱 正在系统补齐：数据结构与算法、数据库原理、Git 团队协作、前端工程化
- 🔭 当前在做：《数据采集与融合》课程实践 —— 从 urllib 手写请求，到自建 Flask 服务，再到调用 AI 大模型 API 做端到端应用
- ⚡ 一点小坚持：每一次作业都留下可复现的运行记录（真实终端输出、真实 API 日志），不写"看起来跑通了"的代码
- 🎮 课余：健身、摄影（也因此特别在意生成图像的"真实感"）、折腾各种生产力工具
💬 我理解的工程能力：把"能跑"变成"能维护、能协作、能交付"。这也是我这个学期最想补的课。
| 能力 | 具体内容 | 掌握程度 |
|---|---|---|
| Python 编程 | 语法基础、venv 虚拟环境、pip 依赖管理、异常处理 | 🟩🟩🟩🟩⬜ 熟练 |
| 数据采集 / 爬虫 | urllib GET/POST/混合请求、requests、正则与 BeautifulSoup 解析、数据落盘 |
🟩🟩🟩🟩⬜ 熟练 |
| Web 后端 | Flask 路由、args/form/JSON 参数解析、返回 JSON 与静态资源 |
🟩🟩🟩⬜⬜ 会用 |
| Web 前端 | HTML/CSS/JavaScript 基础、fetch 异步调用、参数面板与结果渲染 |
🟩🟩🟩⬜⬜ 会用 |
| AI 应用集成 | Hugging Face Inference API 标准调用、国产 OpenAI 兼容平台对接、Prompt 工程与迭代 | 🟩🟩🟩⬜⬜ 上手 |
| 自动化工具链 | Playwright 浏览器自动化与截图、PIL 批量水印、python-docx 自动排版 | 🟩🟩🟩🟩⬜ 熟练 |
| 文档与表达 | Markdown 技术写作、实验报告结构化输出 | 🟩🟩🟩🟩⬜ 熟练 |
数据结构与算法 数据库系统原理 软件工程（需求→设计→测试全流程） Linux 与部署基础 Git 团队协作与分支管理
| 组件 | 状态 | 说明 |
|---|---|---|
| Python 数据处理 | 🟩🟩🟩⬜⬜ 在学 | pandas / NumPy 清洗与聚合，正在补正规的数据处理流程 |
| SQL / 关系型数据库 | 🟩🟩⬜⬜⬜ 入门 | 会基础 CRUD，多表关联与窗口函数还在练 |
| Linux / Shell | 🟩🟩🟩⬜⬜ 在学 | 常用命令、脚本化，是大数据工具链的前置 |
| Hadoop / HDFS | 🟩⬜⬜⬜⬜ 待学 | 只了解概念，还没搭过集群 |
| Spark / PySpark | 🟩⬜⬜⬜⬜ 待学 | 本专业的核心课，计划第 1 年内打穿 |
| Hive / 数据仓库 | ⬜⬜⬜⬜⬜ 待学 | 分层建模（ODS/DWD/DWS）尚未接触 |
| Flink / 实时计算 | ⬜⬜⬜⬜⬜ 待学 | 计划第 2 年切入 |
说白了：现在是"会写 Python 采集数据"，离"能处理 TB 级数据"还差一整套生态。这正是我这个专业接下来两年要补的主线。
算法题手感（LeetCode 数量严重不足） Hadoop/Spark 生态实战 SQL 复杂查询与索引优化 数据仓库分层建模 面向对象设计能力（设计模式只听过名字） 单元测试与 CI 计算机网络与操作系统底层原理 阅读他人源码的能力
|
从零配置 Python 开发环境，用
📄 实验报告与运行记录 📈 约 1000 行代码 |
对接图像生成 API，实现"输入提示词 → 调参 → 实时出图"的交互实验台。做了 v1→v2→v3 三轮提示词迭代，验证结构化英文提示词 + 负向提示 + 摄影参数对"真实感"的影响。
🖼️ 生成效果对比与心得 📈 约 1100 行代码 |
把"截图 → 加水印 → 排版成 Word/文档"整条流程脚本化：Playwright 调用本机 Edge 渲染截图、PIL 叠加斜向水印、python-docx 自动排版。
⚙️ 复用三次作业，节省大量重复劳动 📈 约 1000 行代码 |
累计代码量：约 3,000 行（课程开始至今，不含自动生成文件）
✅ 我确定自己会的（能讲清原理、能独立复现）
- 从零搭一个 Python 隔离环境并管理依赖；
- 用
urllib/requests发 GET、POST、混合请求，处理编码、超时、HTTPError； - 用 Flask 起一个带表单、带 JSON 接口、能返回图片的本地服务；
- 解析网页（正则 + BeautifulSoup）并把结果落盘；
- 调用第三方 AI 接口，处理鉴权、参数、响应与错误，并把调用记录落日志；
- 用脚本把重复劳动自动化（截图、水印、文档生成）；
- 用 Markdown 写清楚一篇技术文档。
❌ 我现在还不会的（本学期的攻坚清单）
- 算法与数据结构——只会暴力解，复杂度和优化谈不上，LeetCode 刷题量几乎为零；
- 设计能力——拿到需求直接写代码，画不出像样的类图、时序图；
- 数据库——只会最基础的 CRUD，索引、事务、慢查询优化没概念；
- 团队协作——没用 Git 和别人协作过，不知道 PR / Code Review / 分支策略怎么落地；
- 测试——几乎不写单元测试，靠"手动点一遍"；
- 底层——计网和操作系统只停留在课本，说不清三次握手之外的事。
把这六条列出来不是为了自我批评，是为了期末能一条一条划掉。
我选择就业作为主线。理由很直接：我喜欢"做出能被别人用的东西"这个过程，也想尽早进入真实工程环境，用真实项目的复杂度倒逼自己成长；同时我的算法与底层基础目前偏弱，直接冲考研的风险和收益不成正比。这不是放弃深造，而是先把工程能力扎稳——读研可以是在职的事，工程手感只能靠项目堆出来。
| 阶段 | 重心 | 具体目标 |
|---|---|---|
| 第 1 年 打地基 |
基础 + 专业栈 | ① 数据结构与算法：LeetCode 200+ 题，覆盖数组/链表/树/图/DP； ② 数据库：学完原理，能写多表关联与窗口函数，能设计含索引与事务的业务表； ③ 大数据生态入门：搭起 Hadoop/HDFS 伪分布式环境，用 PySpark 跑通批处理程序； ④ Git 协作：用分支 + PR + Review 完整参与一个多人项目； ⑤ 期末代码量达到 15,000 行，且带单元测试 |
| 第 2 年 做深度 |
全链路 + 实习 | ① 交付 2 个数据全链路项目（采集 → 清洗 → 入仓 → 分析 → 可视化，有文档、有调度）； ② 学 Hive 数据仓库分层建模（ODS/DWD/DWS），能独立出一个主题域的指标体系； ③ 切入 Flink 实时计算，做一个"批流一体"的小项目； ④ 拿到第一份数据开发实习，体验真实研发流程（需求评审 → 开发 → 联调 → 上线） |
| 第 3 年 收成果 |
秋招 + 沉淀 | ① 秋招前完成 3 轮系统性复盘（算法、大数据八股、项目）； ② 拿到大数据开发 / 数据工程方向的校招 offer； ③ 毕业设计做一件自己真正想做的事，而不是"为了毕业而做" ④ 累计代码量目标 50,000 行 |
阶段性衡量标准（不靠感觉，靠数字）：代码行数、可运行项目数、算法题数、Code Review 参与次数。
- 🏋️ 健身：和写代码很像——没有捷径，只有周期、复现和耐心。连续三年每周三次，教会我"长期主义"不是口号而是日程表。
- 📷 摄影：这直接影响了我在 AI 图像作业里的判断标准。我能一眼看出一张生成图"假"在哪——皮肤没有毛孔、光线方向不一致、背景虚化不符合光学规律。这让我在调提示词时知道该加什么：
85mm f/1.4、shallow depth of field、natural skin texture。 - 🧰 折腾工具：从截图水印脚本到自动排版工具，我享受"把一个动作重复三次 → 就把它写成脚本"的过程。
印象最深的一次踩坑：在做 AI 图像作业时，本机无法直连 Hugging Face，平台上的 Flux 模型又恰好下架。我没有停在"环境不支持"，而是排查了代理、镜像、替代平台的可用性，最后换用同源模型完成端到端验证，并在报告里如实写清了切换原因。那次我学到：工程师的价值不在于"环境完美时能跑通"，而在于"环境不完美时还能交付"。
- 📝 技术博客：博客园 · 周凯（课程随笔与实验记录持续更新）
- 🐙 GitHub：@zkk123-dd
- 🌐 个人主页：zkk123-dd.github.io
⭐ 如果你也是在学习路上的同学，欢迎交流，一起把"不会"一条条划掉。
最后更新：2026 年 9 月