副业？程序员的2025规划

「1. 观察」

在过去的几年里，“生化环材转码农”是网上冲浪时的高频话题，似乎“编程”成了改变人生的捷径。

而如今，讨论的焦点却转向了“考公考编”和“副业自由”。

从开发需求到自研App、小程序、网站，许多程序员试图寻找一条更稳妥的出路，来应对行业动荡带来的不安。

那么问题来了：面对快速变化的2025年，程序员的好规划是什么？

我的答案是：从系统工程的方向出发，加宽护城河。

「2. 重新识“码”：宽进严出」

在技术开源和知识分享的推动下，计算机行业吸引了无数人才。

尤其是通用人工智能（如ChatGPT）的出现，将进一步打开行业的大门。

这就是“宽进”。

---

从bootstrap到vue、到小程序、区块链，再到现在的大模型，技术新潮一浪接一浪。

看似风口不断，但每一波浪潮都让人害怕“掉队”。

然而现实是，单靠技术加法，并不足以支撑整个职业生命周期。

随着技术门槛的降低和行业竞争的加剧，并不是所有人都能依靠计算机技术安全度过每个职业阶段。

这是“严出”。

---

因此，要想在这条跑道上走得更远，不只是要会写代码，更要站在技术之上，构建属于自己的护城河。

「3. 计算机护城河理论：系统工程是核心」

“护城河”原本是巴菲特在价值投资中的核心思想，指企业通过构筑壁垒，抵御市场竞争，赚取稳定的超额利润。

而对于程序员而言，这个概念同样适用。

计算机行业无疑是一个朝阳行业。

而随着出生率的下降、计算机的逐步蔓延，行业的总体容量仍会缓慢上涨，但个人职业的护城河却需要重新定义。

而我们应该认识到，计算机行业的护城河是系统工程的，而非技术的。

为什么是系统工程？

系统工程，从现有的技术、资源出发，构建更庞大、更具市场价值的系统。

换句话说，学会“做大楼”，而不是只“搬砖”。

能“建系统”的人永远比会“写模块”的人更难被取代。

「4. 新技术调研：为护城河添梁柱」

要构建属于自己的系统工程能力，就必须对新技术保持敏感，做到包容与吸纳。

以下从两方面调研金融科技和大模型技术相关行业：头部公司招聘情况、学术研究情况。

4.1. 科技金融

4.1.1 职业岗位

(1) 量化研究岗

学历专业要求（如国内外知名，机器学习、数学、统计等专业），以发掘新因子、构建新模型为工作内容。

(2) 机器学习岗

学历专业要求（如国内外知名，机器学习、数学、统计等专业），以机器学习方式研发、构建模型方案。

(3) 后端系统岗（如策略系统、服务平台）

学历专业要求（重点本科级以上的计算机、数学等专业），以C/C++、Pyhton构建后台为工作内容。

(4) 网络工程岗

学历专业要求（重点本科级以上的计算机、数学等专业），以建设、维护网络为工作内容。

4.1.2 相关学术研究

基于金融资产因子(如异象因子、Fama-French因子、基本面估值错配因子)、市场因子（如平均价格、压力指标等）结合AI模型预测股票收益。

4.2 通用大模型

4.2.1 职业岗位

(1) 算法岗

学历专业要求（硕士以上，计算机科学等专业），以设计、优化及验证模型结构为工作内容。

(2) 客户端开发岗

以Web、IOS、安卓客户端开发为工作内容。

(3) 数据处理岗

以数据预处理为工作内容（如标注、清洗）。

4.2.2 相关学术研究

通用大模型未来发展有 5 个关键方向：模型优化、多模态学习、数据与知识双驱动、具情感大模型以及伦理与社会影响。

4.3 私有化大模型

4.3.1 职业岗位

(1) 后端系统岗（大模型私有化部署平台）

学历专业要求（本科以上，计算机等专业），研发、优化大模型私有化部署平台。

(2) 自动化测试岗

以平台的软硬件测试为工作内容。

(3) 算法岗

学历专业要求（本科以上），以大模型推理加速引擎开发为工作内容（如GPU/CPU平台的优化策略制定、微架构设计）。

4.3.2 相关学术研究

图片来源：参考资料[7]

图片来源：参考资料[7]

「5. 结尾」

2025年，不确定性可能仍然是生活的主旋律，但危机的另一面往往就是机会。

程序员不是写代码的机器，而是解决问题的工程师。面对风口浪潮，与其追逐趋势，不如在系统工程中深耕细作。

从构建护城河开始，为未来铺平道路。

参考资料

[1]胡青渝,陈其安.基于先验前馈神经网络的股票市场收益预测[J/OL].系统工程理论与实践,1-23[2025-01-15].http://kns.cnki.net/kcms/detail/11.2267.N.20241218.0908.002.html.

[2]张鹏,朱岁虹,崔淑琳.基于BP神经网络的三因子均值-方差投资组合优化[J/OL].数学的实践与认识,1-15[2025-01-15].https://sso.gzlib.org.cn/interlibSSO/goto/75/+jmr9bmjh9mds/kcms/detail/11.2018.o1.20250106.1749.032.html.

[3]乔政,卓榕生,葛瑶,等.基于机器学习的企业基本面估值错配异象研究[J/OL].系统工程理论与实践,1-30[2025-01-15].https://sso.gzlib.org.cn/interlibSSO/goto/75/+jmr9bmjh9mds/kcms/detail/11.2267.N.20241218.0909.004.html.

[4]赵鑫博,陆忠华.面向深度行情因子挖掘的分布式训练关键技术研究[J].计算机工程与科学,2024,46(09):1554-1565.

[5]吴宏旭,房勇,邓智斌.A股市场的隐性因子模型——基于特征排序框架的深度学习[J/OL].系统科学与数学,1-25[2025-01-15].https://sso.gzlib.org.cn/interlibSSO/goto/75/+jmr9bmjh9mds/kcms/detail/11.2019.O1.20240802.0942.008.html.

[6]任福继,张彦如.通用大模型演进路线[J].科技导报,2024,42(12):44-50.

[7]任海玉,刘建平,王健,等.基于大语言模型的智能问答系统研究综述[J/OL].计算机工程与应用,1-24[2025-01-15].https://sso.gzlib.org.cn/interlibSSO/goto/75/+jmr9bmjh9mds/kcms/detail/11.2127.TP.20241227.1952.011.html.