计算机科学专业科技公司软件开发实习实习报告

计算机科学专业科技公司软件开发实习实习报告一、摘要

2023年7月10日至2023年9月5日，我在一家专注于人工智能的科技公司担任软件开发实习生，负责自然语言处理模块的优化与开发。核心工作成果包括将文本分类模型的准确率从82.5%提升至89.3%，通过引入BERT预训练模型并调整参数，将模型推理速度优化了30%。期间应用了深度学习、Python编程及Git版本控制等技能，并实践了敏捷开发流程。提炼出可复用的方法论：基于数据驱动的模型迭代策略，以及模块化代码设计以提升团队协作效率。这些成果验证了在学校学习的机器学习理论与工程实践的结合价值。

二、实习内容及过程

2023年7月10日入职后，我被分配到机器学习团队，主要参与智能客服系统的对话管理模块开发。团队用的是Python和TensorFlow框架，我跟着熟悉项目代码库，花了两周时间把前人搭好的基础模型跑通，期间还帮着把训练集的标注错误修正了30个，避免模型学偏。8月5号开始独立负责对话历史记忆单元的优化，原版用RNN实现，响应延迟有3秒，我改成了Transformer结构，加上注意力机制，把延迟压到0.8秒。调参过程踩了不少坑，比如学习率从0.001调到0.0005，准确率反而提升了1.2%，最后在日志里找原因是梯度爆炸，得加Dropout层。9月1号系统小范围上线，我负责监控性能数据，发现某类长对话场景下召回率只有68%，排查发现是特征提取遗漏了句法信息，赶紧补了依存句法分析模块，最终召回率冲到75%。这段经历让我把学校学的BERT、Seq2Seq这些理论，真真切切用在了线上服务里，虽然只是个模块，但看到用户反馈好评，挺有成就感。过程里遇到的最大挑战是需求变更频繁，有时候前一天写的接口，第二天又要改，逼着自己学快排版本控制，每次commit都写清楚改动点，避免混乱。团队协作上，有时候老员工代码风格太随意，注释也不够，沟通起来费劲，后来我就主动要求参与CodeReview，自己先从规范写起，慢慢影响大家。实习最后发现，公司培训机制有点旧，新来的实习生没系统带教，很多底层知识得自己摸，比如服务器架构、数据库优化这些，要是能有个新人手册或者导师制就好了。我的建议是，可以搞个内部知识库，把常见问题、技术选型理由都记录下来，或者每周组织个技术分享会，让新人少走弯路。这段经历让我意识到，做开发不光要会写代码，还得懂业务、懂用户，职业规划上，我打算往大模型应用方向多学点，现在开始啃Prompt工程相关的资料，感觉很有意思。

三、总结与体会

这8周，从2023年7月10日到9月5日，感觉像是从纸上谈兵突然进了实战场。开头确实懵，对着陌生的代码库和业务逻辑，花了两周才慢慢找到感觉。但真动手优化对话模型，把延迟从3秒降到0.8秒，准确率从82.5%提到89.3%的时候，那种成就感是实打实的。这段经历让我明白，实习的价值不在于做了多少惊天动地的事，而在于把学校学的那些理论和工具，比如BERT、Transformer、Git版本控制，怎么在实际项目中落地，怎么解决真问题。比如我修正的30个标注错误，虽然小事，但直接影响了模型效果，这就是闭环。

职业规划上，这次经历像给我指了条路。我之前对大模型挺感兴趣，但感觉离实际应用还远。现在清楚了，想做这个，光会理论不够，还得懂工程实践，懂怎么把模型部署上线，怎么监控调优。接下来的学习，我打算重点补这块短板，可能要去啃一些云平台和MLOps相关的课程，甚至考虑考个AWS或Azure认证，把技能硬实力堆起来。行业趋势看，现在AI应用越来越强调和业务的结合，光靠算法模型已经不够，还得懂场景，懂用户。我实习里做的智能客服，就是典型，单纯提准确率没用，得看用户整体满意度。这让我觉得，做技术的人，得有用户思维，得有责任感。

心态上变化挺大的。以前写代码，错一点改一点，现在得考虑性能、成本、可维护性，还得在需求变化快的情况下扛住压力。比如8月15号晚上，客户临时要求加个新功能，团队人手又紧，我就主动留下来加班，调了好几个晚上，最后上线效果还不错。虽然累，但觉得成长了。从学生到职场人的感觉，就是责任变重了，做事得更靠谱。这段经历也让我更理解了“持续学习”不是口号，是真的每天都要在技术上进步，才能不被淘汰。未来不管是继续深造还是直接工作，这段经验都是我的底气，我会把它变成自己最大的优势。

四、致谢

感谢公司这八周给我的机会，让我接触到了真实的软件开发流程。特别感谢我的导师，在项目上给了我很多具体指导，比如如何把BERT模型参数调到最优，还有代码审查时指出