数据集
数据集的文件组织形式数据集的构成点云 --点云的雷达类型，拼接的雷达类型 点云的文件大小 点云的频率 点云的点数 坐标系图像 --命名方式 图像的像素大小 图像的大小 图像的帧率 文件命名方式参数-- 内参 外参 标定参数视频： 视频的编码格式 视频的帧率 视频的时间长短数据的时间同步和空间同步标注数据数据格式标注的方式 标注的范围 标注的类别 标注的属性 数据的组织形式 数据结果的格式数据的可视化
数据结构
数据结构-- 用以做出专业的反应和判断的依据找到问题的解法找到问题的最优解法时间效率和空间效率===实际测试和理论估算时间复杂度： 数据体量和时间增长快慢
问题解决者--功能集装箱
iterationfor while iter 自由度嵌套循环--快慢指针法
recrusion tail recrusion 批量操作-并行计算-相同和相似的操作标量的循环迭代，数组并行计算--向量化运算
数据系统
核心的设计理念
核心设计理念：要么是管理日常运营中持续不断的混乱流程，要么是从日积月累的海量数据中提炼出深刻的洞见。 市政大厅，一位办事员要处理排着长队的市民档案馆 一个庞大的人类知识档案馆，一组研究人员被要求在数千年的记录中寻找规律关键不仅在于使用哪个数据库，还在于何时使用每个数据模型
规模和意图 --真正优秀的应用之路数据规模和数据意图设计要有针对性。认清应用数据的本质，你就能找到合适的工具来完成这项工作。
数据经验
代码经验 思维方式、解决问题的方式以及你的关心程度。代码审查视为一件苦差事。只专注于发现错误，很少从中学习到东西没有思考，没有学习，也没有质疑 承担责任，而不仅仅是任务 建立信任，而信任建立领导力建立品味 tasting ：什么工作做得非常好？ 哪些功能让人感觉简洁、优雅 哪些方法可以节省时间 重复使用哪些解决方案？什么东西感觉笨重或缓慢？ 部分花费的时间比预期的要长？ 果有时间你会重构什么？注意到了什么模式？ 反复解决类似的问题？要记住的一个技巧 要避免的一个错误 下周需要改进的一个方面
已经建立的巧妙解决方案
AI 时代工程师学习路线图
学习重点的根本转移 需要知道"要实现什么目标"系统思维与架构设计: 业务建模与领域知识: AI协作与自动化: 新兴技术趋势: 跨领域技能:
技能门槛的快速下沉
概念优先学习法传统方法: 语法 → 示例 → 项目AI时代方法: 概念理解 → AI实现 → 原理验证传统 1. 基础技能层：语法与工具熟练度 2. 中级技能层：框架与架构理解 3. 高级技能层：业务理解与技术领导AI时代 工程师的核心价值从"如何实现"转向"实现什么"和"为什么这样实现"。 业务价值转化能力比纯技术能力更重要公司组织结构的变化:技术团队规模缩小，但价值密度提升我的核心价值是什么？ 是AI难以替代的创造力，还是可以被快速复制的技能？我在为未来做准备吗？ 是在拥抱变化学习新技能，还是在固守传统抗拒改变？
代码编程
1. Copilot 模式：你写头它写尾
2. Agent 模式：你说话，它写程序 “氛围感编程”Cursor Cursor 的请求并不是直接走本地，而是 prompt 先会发回它自家的服务器加工一遍，再转发出去 Cline 和 Continue。 它们都支持你自己指定模型接口地址（Base URL）、API Key、模型名称Cline：类 Copilot 体验 + 工程感更强的 AI 编程助手 适合维护老项目或做代码审查Continue：VSCode 上的轻量 AI 辅助 适合 写中小项目，轻量不打扰 RooCode 支持全平台 + 本地模型 + 精准代码控制没有多余的干预，不中转、不劫持 定义问题、建构系统、引导协作 开源是一种“社会化研发 是“抢标准”的工具
