方向：大数据开发 / 数据工程。喜欢把重复劳动写成脚本，也喜欢把「能跑」打磨成「能维护、能协作、能交付」。
一个相信「长期主义要写进日程表」的大数据专业学生。
我是福州大学数据科学与大数据技术专业的在读学生，目前主修《数据采集与融合》《软件工程与软件工程实践》等课程。 这个学期我给自己定的主线是：把零散的编码能力，组织成能交付的工程能力。
技术上我目前以 Python 为主，能独立完成数据采集脚本、后端接口和自动化工具； 专业主线方面，我正在从「会采集数据」往「能处理大规模数据」推进—— Hadoop / Spark / Hive 这套生态，是我接下来两年要打穿的核心。
课余时间我健身、拍照、折腾工具。这三件事看起来不相关，其实都在训练同一种能力—— 把一件复杂的事拆成可重复执行的步骤。
按真实掌握程度打分，不虚高——列出「会用」和「还没学会」同样重要。
三个真实跑通的项目，都有可复现的运行记录，不是「看起来跑通了」。
从零配置 Python 隔离环境，用 urllib 手写 GET / POST / GET+POST 混合请求， 并自建 Flask 站点做端到端验证；实现正则抽取标题与链接的迷你爬虫。
对接图像生成 API，做出「输入提示词 → 调参 → 实时出图」的网页实验台。 用 v1→v2→v3 三轮提示词迭代，验证结构化提示词与摄影参数对真实感的影响。
把「截图 → 加水印 → 排版成文档」整条流程脚本化：Playwright 调本机 Edge 渲染截图、 PIL 叠加斜向水印、python-docx 自动排版。三次作业复用同一套脚本。
了解自己会什么、不会什么，是进步的起点。左栏是底气，右栏是本学期的攻坚清单。
我选择就业作为主线。理由很直接：我喜欢「做出能被别人用的东西」这个过程，想尽早用真实项目的复杂度倒逼成长； 同时我的算法与底层基础目前偏弱，直接冲考研风险收益不成正比。 这不是放弃深造，而是先把工程手感扎稳——读研可以以后做，手感只能靠项目堆出来。
核心：基础能力 + 大数据生态入门
核心：数据全链路 + 真实研发流程
核心：复盘输出 + 拿到 offer
和写代码很像——没有捷径，只有周期、复现和耐心。连续三年每周三次，教会我「长期主义」不是口号而是日程表。
这直接影响了我做 AI 图像作业时的判断标准——我能一眼看出一张生成图「假」在哪：皮肤没毛孔、光线方向不一致、虚化不符合光学规律。
从截图水印脚本到自动排版工具，我享受「一个动作重复三次 → 就把它写成脚本」的过程。
做 AI 图像作业时，本机无法直连 Hugging Face，平台上的目标模型又恰好下架。 我没有停在「环境不支持」，而是排查了代理、镜像、替代平台的可用性， 最后换用同源模型完成端到端验证，并在报告里如实写清了切换原因。