计算机科学与技术科创企业软件工程师实习报告

计算机科学与技术科创企业软件工程师实习报告一、摘要2023年6月5日至8月23日，我在一家科创企业担任软件工程师实习生，负责智能推荐系统后端开发。核心工作成果包括优化用户画像匹配算法，将召回准确率从72%提升至86%，处理日均请求量从5万次增至12万次，响应时间缩短至50毫秒。通过应用分布式缓存技术和数据库分片，支撑系统并发用户数增长300%。具体实践了SpringCloud微服务架构，结合Prometheus+Grafana进行性能监控，将线上故障率降低至0.3%。提炼出可复用的敏捷开发流程，采用CI/CD自动化部署，单次迭代周期从7天压缩至3天。二、实习内容及过程2023年6月5日到8月23日，我在一家做智能推荐系统的公司实习，岗位是软件工程师。刚开始主要是熟悉业务和团队代码库，跟着导师看了几个旧项目，比如一个用户行为分析模块，用Hadoop处理过亿条日志数据，我帮忙优化了MapReduce的并行度，把处理时间从48小时缩短到18小时。第3周开始参与新项目，是优化首页信息流推荐算法。我的任务是重构召回模块，原来用规则匹配，准确率才65%，用户抱怨推荐内容不相关。我花了两天调研Embedding向量相似度计算，最后用SentenceBERT生成用户兴趣和商品特征的向量，加上LambdaMART排序，召回准确率提升到82%，CTR（点击率）数据从1.2%涨到1.8%。遇到最大挑战是缓存穿透，某个活动页面请求量激增到20万QPS，导致数据库压力巨大。我先是加了互斥锁，但锁竞争严重，后来改用Redis布隆过滤器+本地缓存，QPS稳在15万以上，响应时间才200毫秒。这个经历让我明白分布式架构不是瞎加集群，得懂CAP理论。后期参与接口文档编写和自动化测试脚本开发，用JMeter模拟压测，发现一个线程池配置问题，最大线程数设得太低，导致高峰期50%请求超时。我调整参数后，99线降到了0.8%。实习最后两周，导师让我用Go重写一个反作弊接口，主要是学汇编级性能优化，比如通过原子操作避免锁开销，最终CPU占用降低40%。团队开发流程挺规范的，但有时候需求变更太频繁，上周紧急加个功能，结果改了三天，导致部署时又出bug。我觉得他们培训体系可以更完善，比如新员工上手期多给些架构设计文档看。岗位匹配度基本满意，但感觉分布式系统调优这块实践不够，比如监控指标怎么拆解，下次想找机会多练练。这次实习让我知道，做推荐系统不能光会写代码，还得懂用户心理学，比如最近学到一个冷启动策略，用A/B测试决定新用户先看哪些内容，这点挺有意思的。三、总结与体会这8周，从6月5日到8月23日，感觉像是从理论到实践的完整演练。最初接手用户画像匹配优化时，72%的召回准确率让我有点懵，完全没经验调参数。硬着头皮学，把BERT模型微调了6版，最后冲到86%，看到线上数据变化那一刻，真实体会到了算法落地不是纸上谈兵。最刺激的是处理缓存穿透问题那次，6号晚上系统报警，监控显示活动页QPS飙到20万，数据库CPU飙到95%，用户反馈加载超时。我连夜加布隆过滤器+本地缓存，凌晨3点重新压测，发现线程池核心数设得太低，改完才把99.9线稳住。这种高压下的调试，远比学校实验复杂，真正理解了高并发架构的脆弱和韧性。导师说"你的日志分析能力救了系统"，当时心里挺受用，但也清楚离大神还差十万八千里。实习最大的收获是形成了完整的工程闭环：从需求分析到线上部署，我主导的推荐算法重构使CTR从1.2%提升到1.8%，这背后是每天凌晨1点研究LambdaMART参数的苦功夫。这种为数据负责的劲头，比单纯写作业强太多。现在写代码会下意识考虑线上表现，比如上次重构接口时，主动加熔断器防雪崩，虽然没人要求，但觉得这是工程师该有的自觉。对职业规划来说，这次经历彻底打消了我做纯研究的念头。我发现自己对实时推荐系统特别着迷，尤其是召回层的特征工程，这让我决定下学期报考相关方向的论文，顺便准备CAP认证。看到团队用Go重写反作弊接口后，CPU降了40%，我暗下决心要补强分布式性能优化这块短板。这种带着问题去学的劲头，比学校里为学分而学的状态强多了。行业趋势这块，感觉现在AI应用越来越强调"软硬结合"，我们用SentenceBERT做文本向量化时，就特别体会到算力瓶颈。这让我意识到，以后做技术可能不光要懂算法，还得懂硬件适配。公司里那个用LambdaMART做排序的老油条，说现在大厂面试都爱考"排序算法在分布式场景下怎么优化"，这话让我赶紧买了相关资料啃。这种危机感挺真实的，但转念一想，不正是学生到职场人的蜕变吗？至少现在再写代码，会多问一句"这行在什么场景下会超时"。四、致谢感谢在实习期间给予我指导的导师，他在我遇到技术难题时总能点到关键处，比如指导我如何用分布式缓存解决高并发问题，避免了我走很多弯路。感谢团队里的几位同事，他们在我调试接口超时问题时的热心帮助，特别是那位