AI 总结末流985软件工程约4/255，六级520+，有在投CCF-B类期刊与弱竞赛，志向自然语言处理。策略上海投清北华五与中科院强组、重视导师与方向而非单一title，最终中国科学院软件研究所计算机学硕（NLP）。正文删去各营细表后，以读研规划、导师多维评估、夏令营相对预推免的导学名额差异及AI方向书目机试数学英语复习框架为主。强调保研是双向匹配，拒绝与结果过度绑定。
我本科末流 985 软件工程，前三学年 rank 4/255，两篇 B 一作在投，竞赛基本等于没有，六级 520+，最终去向：中科院软件所 NLP 学硕。
写这篇的时候距离上岸已经过了一年多，当时没发出来是觉得可能没什么人需要了。但最近翻出来看，那些焦虑到做梦都是面试场景的日子居然还挺清晰的，想想还是写了吧。
🔴 关于排名和选择
4/255 这个 rank 挺尴尬的。清北华五的强组肯定冲，但前面还有 3 个人跟我竞争同样的名额，再加上同校同 rank 的人海投撞车概率极高。我研究兴趣在 NLP，未来想深造或去企业 Lab，所以偏好学硕（除非有强导愿意带直博）。学校 title 我不执着，但拒绝"为了 title 去一般组"，深知那玩意儿没用。
最后策略：海投。不是贪心，是保险。
🔵 title 还是强组？
小孩才做选择我都要（不是）。
说正经的：就业向看 title + 放实习规则，科研向看强组。强组的资源是一般组想象不到的，成熟的科研管理体系、顶会投稿经验、计算资源、导师 connection，这些决定了你能做什么层级的研究。学术界内部不看 title，每个学校都有强组，大家只认你在领域内做了什么。
title 决定下限，强组决定上限。这句话我夏令营前觉得是老生常谈，亲身经历后才知道有多真实。
🔴 怎么了解导师（多维度）
我不止看谷歌学术 h-index，那玩意儿能刷。我会看近几年引用趋势图（是上升还是平着？），看** co-authors 判断 connection**，看导师在论文里的作者位置（通讯还是挂名？）。
院系主页看行政职务、学术会议任职、学生毕业去处。如果有学生联系方式，直接问：老师push吗？多久见一次？显卡够用吗？
还有一招：找导师的学术会议 tutorial 视频。听 20 分钟就知道这人讲课什么风格，你未来三年能不能忍受这个风格。
各大平台的导师评价我也看，但会交叉验证，毕竟负面评价可能来自摆烂学生。
🔵 简历是 prompt，不是流水账
这句话我刻骨铭心：简历是导师的 prompt。你想让老师问什么，就把什么展开写；没把握的、边缘的经历，略写或者别写。
我把自己 main project 的 motivation、method、contribution 都铺开了，引导老师往这上面问。被问到一问三不知？那是给自己挖坑。
🔴 预推免的真相
听过一句话："预推免总能拿到与实力匹配的 offer"。我亲身验证后觉得对，但只限于学校，不包括导师。
强导的名额夏令营就占完了。预推免剩下的要不就是羊导坑导，要不就是 waiting list merge failed。现在越来越多院系强 com，导师也越来越倾向等你拿到优营再实验室面试，预推免的竞争难度和不确定度都高很多。
所以我的看法：预推免冲梦校概率大，冲强导概率小。夏令营必须发力。
🔵 复习用书与资源（AI 方向）
机器学习：西瓜书当 index，李航《统计学习方法》补传统模型概率基础，花书看英文版（翻译版有 bias），蒲公英书做扩展。
project：Stanford CS229/231n/224n，沐神《动手学深度学习》。
NLP 方向化：Goldberg《基于深度学习的自然语言处理》、Jurafsky《自然语言处理综论》、Eisenstein《NLP》、Bishop《PRML》。
408：时间充足先捡学校课程，再用王道查漏补缺；时间紧直接王道速通。
机试：手动处理输入输出的题库，acwing / 洛谷。LeetCode 板子题必须掌握，但不建议只刷那个，面试机试环境不一样。
数学基础：别按考研标准来，面试要的是概念理解，笔试要的是常见求解。
英语：1min/3min 自我介绍、英文讲算法（快排 pivot 怎么选、SVM）、介绍本科/学校/家乡。专业英文题也可能出现，建议学习时尽量接触英文原版概念，翻译天然有 bias。
科研：奠基性论文必须读（李沐 paper-reading 项目），近期顶会顶刊保持阅读量。紧迫程度低，但量要够。
⚠️ 一些话
上方是 AI 整理的精读版。原作者亲笔写的完整经验贴 （含更多细节、原始语气、问答互动）仅对会员开放。 升级后即可解锁全站全部经验贴，不限次数阅读。