阿里云人工智能工程师ACP认证考试我在去年年底考完，成绩单下来那天算了一下，从我把资料放进收藏夹、到坐在考场里点开第一道题，前后正好15天。这篇不绕弯子，就把这15天怎么排、哪些知识点是真金白银、哪些坑我替你踩过了，原原本本讲一遍。ACP认证考试在阿里云的认证体系里属于专业级，人工智能方向考的不是让你从零训一个模型出来，而是检验你对人工智能基础概念、主流算法、以及阿里云上那一套AI产品体系能不能串起来用。说白了，它更像一次工程能力的体检，看的是你拿到一个业务问题，知不知道该用分类还是回归、该上哪套云服务、数据怎么清洗、模型怎么上线、效果怎么衡量。适合谁看这篇？一是想转AI方向但没系统学过、需要一个明确抓手的人；二是已经做过几个小项目、但知识是散的、想借考证把体系补齐的人；三是纯粹想拿一张有含金量的证书给简历加分的人。三类人都能从这里找到能直接抄的东西，全程按我的真实节奏来，不灌鸡汤。
1. 先搞清楚这考试到底在考什么
很多人一上来就买题库、刷题，刷了两天发现越刷越慌，原因就一个——脑子里没有地图。你不知道这门考试的知识边界在哪里，就永远不知道自己漏了什么。所以这15天的头一件事，我建议你先花半天时间，把考纲从头到尾读一遍，标出自己完全没听过的名词。这个过程看着慢，其实是最省时间的，因为它直接决定了你后面把精力往哪里砸。
1.1 认证定位：它不是炼丹比赛，是工程能力体检
阿里云人工智能工程师ACP的定位，我在备考过程中越来越清楚：它考察的是你能不能把AI当成一个工程项目来做，而不是能不能提出一个新算法。这个区别非常关键。学术路线考你创新，工程路线考你落地。落地这件事拆开看就三块——懂原理、会选型、能上手。
懂原理指的是，你得知道逻辑回归为什么用交叉熵而不是均方误差，卷积核为什么能提取局部特征，Transformer里的自注意力到底在算什么。注意，是“知道为什么”，不是“能推导公式”，考试不会让你手推反向传播，但会用场景题问你某个参数调大调小会带来什么后果。
会选型指的是，给你一个业务场景，你能判断该用什么方案。比如要做票据识别，是走OCR还是走目标检测？要做客服问答，是规则匹配、检索式问答还是上大模型？这类题在考试里占比不低，靠背概念是背不出来的，必须在脑子里建立“问题—方法”的对应关系。
能上手指的是，你对阿里云上那套AI产品的使用方式有基本认知。PAI平台怎么做数据预处理、怎么起一个训练任务、怎么把模型部署成在线服务，视觉智能开放平台怎么调接口，这些你不一定天天用，但得知道它们各自解决什么问题。
我个人的判断是，这门考试的原理部分考得不深，大概停留在“本科机器学习导论 + 深度学习入门”的深度，但广度和工程味很足。所以别在数学推导上钻牛角尖，把时间花在概念之间的关联和产品能力的理解上，性价比高得多。
1.2 题型、时长、及格线与考点权重
先声明一句，具体题型和分值以你报考时的官方考纲为准，我下面讲的是我考那一版的情况和我的观察，别拿它当圣旨，拿它当参考坐标。据我当时的体验，整场考试是机考，题目以单选、多选为主，个别版本会有判断或场景分析类的题目，总题量在几十道这个量级，考试时长一般是两小时，通过线通常在总分的某个固定百分比上，属于“认真准备就能过、完全裸考必挂”的难度。
我整理了一张我自己复盘出来的考点权重表，帮你在时间紧的时候做取舍：
| 知识模块 | 我的感受权重 | 备考优先级 | 说明 |
|---|---|---|---|
| 机器学习基础与建模流程 | 高 | 必拿 | 概念题密集，性价比最高 |
| 深度学习与网络结构 | 中高 | 必拿 | 理解为主，不考推导 |
| 计算机视觉、NLP、语音任务 | 中 | 重点 | 场景选型题来源 |
| 阿里云AI产品体系 | 高 | 必拿 | 纯记忆+理解，背就有分 |
| 工程化：数据、训练、部署、监控 | 中高 | 重点 | 大题常考落地思路 |
| 大模型与生成式AI相关 | 中 | 补充 | 近年比重在上升 |
这张表的用法很简单：时间只够复习三块，就选“机器学习基础、阿里云产品体系、工程化落地”这三块，它们加起来能覆盖绝大部分分值。深度学习理解到位是加分项，大模型这块当成常识补充即可。
1.3 三类人适合考，两类人先别急着考
说点实在的，不是所有人都适合立刻冲这张证。下面这三类人，我觉得考它很值。
第一类是想转AI但一直没找到切入点的人。你可能看过一堆教程，Python会一点、numpy用过、跑过两个Kaggle入门赛，但心里没底。这时候考证是一个很好的“强制成体系”手段，因为考纲本身就是一份被整理好的学习路径，你按它走一遍，散装知识自然就连成网了。
第二类是后端、运维、测试转AI工程的人。你们有工程底子，缺的是AI那套语言。考完这张证，你和算法同学交流时至少不会听不懂“过拟合”“特征工程”“推理延迟”这些词到底在说什么。
第三类是在做云上项目、需要跟阿里云产品打交道的人。比如你要在业务里接OCR做票据识别、接语音做会议转写、接大模型做智能客服，那你考这个证的过程，等于把阿里云AI能力的菜单从头翻了一遍，之后选型心里特别有数。
反过来，这两类人我劝你先别急。一类是完全没有编程基础、连Python函数都没写过的人，硬考会很痛苦，建议先去补三周Python和基础数据结构再来。另一类是纯粹被“证书焦虑”推着走、考完也不打算用的人，这类考证投入产出比很低，不如把时间拿去实实在在做一个项目。考证是手段不是目的，这一点想不清楚，15天会过得很拧巴。
2. 15天备考节奏怎么排：我的时间表拆解
节奏这件事，我要先纠正一个常见误区：不是每天学得越久越好。我见过太多人第一天激情学8小时，第三天就崩了。15天是个不长的周期，靠的是稳定输出，不是爆发。我自己的安排是工作日每天2到2.5小时，周末每天4到5小时，平均下来一天大概3小时，总共约45小时的有效学习时间。这个量对于一个有编程基础的人来说，足够覆盖考纲了。
2.1 第1—3天：摸底与建立知识地图
前三天我干的事只有一件——把地图画出来。具体怎么画？我是这么操作的。
第一天，通读官方考纲，准备一个表格，左边写知识模块，右边写三栏：我懂的、我模糊的、我完全不懂的。通读的时候别求理解，就是扫，遇到不认识的名词先记下来，不要停下来查，停下来你就跑偏了。我第一天标出来的“完全不懂”有十几个名词，像什么自注意力、对比学习、模型量化、A/B测试、特征交叉，当时一个都不知道。
第二天，开始系统性补基础概念。我用的方法是“费曼式自问自答”——每学一个概念，合上资料，用大白话给自己讲一遍，讲不顺的地方就是没懂。比如学到“过拟合”，我逼自己讲成“模型把训练集的噪声也当成规律背下来了，结果换一批新数据就傻眼”，能这么讲出来，这个点就算过了。
第三天，开始建立“问题—方法”对应关系。这一步是我觉得最有价值的。我拿一张纸，左边写业务问题，右边写可能的方法。比如“判断邮件是不是垃圾邮件”对“二分类”，“把用户分成几群”对“聚类”，“预测下个月销量”对“回归”，“从图片里框出所有车辆”对“目标检测”。这张纸后来成了我做场景题的底牌，考试里遇到同类场景，脑子里直接调。这三天下来，你会发现原本散成一地的知识点，开始有骨架了。
2.2 第4—10天：主线模块逐个击破
中段这七天是主战场，我把它们分成了四个模块，一天到两天推一个，推进顺序是按分值权重来的，不是按我的兴趣来的——这一点很重要，很多人喜欢先学自己会的，最后没时间学不会的，这是备考大忌。
第4、5天攻机器学习基础。重点是监督学习和无监督学习的区别、常见算法的适用场景、模型评估指标怎么算、偏差方差怎么权衡。这里我花了点时间把混淆矩阵、精确率、召回率、F1这几个东西彻底搞明白，方法不是背公式，是自己编一个例子算一遍。比如一百个样本里，正类十个，模型预测对了八个，还误报了五个负类，这时候精确率和召回率分别是多少，手算两次就再也不会忘。
第6、7天攻深度学习。核心是理解前馈网络、卷积网络、循环网络、Transformer这四类结构的“设计初衷”。我的理解方式是问自己：为什么图像要用卷积不用全连接？因为图像相邻像素高度相关，卷积的局部感受野和权值共享刚好利用了这个特性，还大大减少了参数量。为什么序列任务曾经用RNN现在倾向Transformer？因为RNN难以并行、长依赖容易丢信息。这么一问一答，结构和场景就绑在一起了。
第8、9天攻计算机视觉、NLP和语音的典型任务。图像分类、目标检测、语义分割分别在解决什么问题，分词、词向量、文本分类、命名实体识别是什么，语音识别和语音合成各自做什么。这些任务不需要你深入实现，但必须能一眼判断出“这个需求属于哪一类任务”。
第10天集中啃阿里云AI产品体系。这是纯增量知识，也是最容易拿分的地方。我把产品按“平台类、能力类、服务类”归了档，用一张表记下来，记完当天晚上睡前再过一遍，第二天早上再回忆一遍，基本就稳了。
2.3 第11—15天：刷题、错题闭环与模拟考
最后五天，主题只有一个词——闭环。刷题不是目的，把错题吃透才是。
第11、12天做分模块刷题。我不会一道一道慢慢做，而是限时快刷，做完立刻对答案，错题当场分析错因，归到三类里：概念不清、审题失误、产品不熟。三类错因对应三种补救方式，概念不清就回去翻资料，审题失误就练读题关键词，产品不熟就集中补。
第13天做错题重刷。把前两天所有错题拿出来再刷一遍，只看还错的，还错说明没真懂，重点标记。我当时的错题复盘表长这样：
| 错题编号 | 考察点 | 我的错因 | 补救动作 | 二刷结果 |
|---|---|---|---|---|
| 17 | 精确率与召回率权衡 | 概念混淆 | 手算三例 | 通过 |
| 23 | 图像分割任务选型 | 审题失误 | 圈关键词 | 通过 |
| 31 | 云上模型部署方式 | 产品不熟 | 补产品文档 | 通过 |
| 40 | 特征工程处理顺序 | 概念不清 | 重看建模流程 | 仍错，三刷 |
第14天做一次完整模拟考，严格卡时间，模拟真实考场状态，中途不查资料、不暂停。这一步的作用是校准你的答题节奏——很多人不是不会，是时间不够。我第一次模拟就吃了亏，前面磨蹭太久，最后十道题草草写完。第二次就学会了先易后难，拿不准的先标记跳过。
第15天不再学新东西，只看错题本和高频考点清单，晚上早点睡。这一天学新知识只会增加焦虑，收益极低。
3. 核心考点逐个拆解与实操要点
节奏讲完了，接下来是干货密度最高的部分。这一节我把几个核心模块里真正容易考、也真正有用的点挑出来讲，每个点我都尽量讲清算理和用法，方便你直接对照复习。
3.1 机器学习基础：从问题定义到评估指标
这块是整门考试的地基，考得广但考得不深。我建议你重点掌握四件事。
第一件是机器学习任务的分类。监督学习有标签，分分类和回归；无监督学习没标签，有聚类、降维、关联规则；强化学习靠奖励信号试错。判断一个业务属于哪一类，就看有没有明确答案、答案是离散还是连续、有没有奖励机制。这个判断是后面所有选型的前提。
第二件是建模的完整流程：数据采集、数据清洗、特征工程、模型选择、训练、评估、调优、部署、监控。这个流程一定要背熟，考试里很多大题都是问“下一步该做什么”，你脑子里有这个链条，就能顺下去。其中特征工程是很多人忽略的难点：缺失值怎么填、类别特征怎么编码、数值特征要不要归一化、要不要做特征交叉。归一化这件事有个记忆点——涉及距离计算的算法（KNN、SVM、K-Means）必须归一化，树模型（决策树、随机森林）不敏感。
第三件是评估指标。这块我必须展开讲，因为它是高频考点，也是我踩过坑的地方。分类任务里，准确率在样本不平衡时会骗人。举个极端例子，一百个样本里九十九个负一个正，模型全猜负也有99%准确率，但完全没用。这时候就得看精确率、召回率和F1。
我用手算的方式彻底搞懂它们。假设预测结果如下：真正例TP=8，假正例FP=5，真负例TN=82，假负例FN=5。那么精确率 = TP/(TP+FP) = 8/13 ≈ 0.615，意思是“模型说是正的里面有多少真的是正”；召回率 = TP/(TP+FN) = 8/13 ≈ 0.615，意思是“真正的正类里有多少被找出来了”；F1是二者的调和平均，约等于0.615。你算过一两遍就会发现，精确率和召回率经常此消彼长——想让召回率高就把门槛放低，多抓一点，代价是误报变多。所以到底看哪个，取决于业务容忍度。垃圾邮件过滤宁可放过不可错杀，看精确率；疾病筛查宁可错杀不可放过，看召回率。这个“业务决定指标”的思维，考试特别爱考。
回归任务看MAE、MSE、RMSE和R²。MAE对异常值不敏感，MSE放大了大误差的惩罚，RMSE量纲和原数据一致更好解释，R²衡量的是模型解释了多大比例的方差。
第四件是过拟合和欠拟合的识别与处理。训练集表现好、验证集表现差是过拟合，两边都差是欠拟合。过拟合的解法有增加数据、正则化L1/L2、Dropout、早停、简化模型；欠拟合就加复杂度、加特征、延长训练。这套对应关系要能条件反射地答出来。
3.2 深度学习：网络结构、训练技巧与调参
深度学习这块考理解，不考推导，你把这个心态摆正就轻松多了。
先讲结构。全连接网络是最基础的，适合结构化数据；卷积网络适合图像，核心是局部连接、权值共享、池化降维；循环网络适合序列，核心是有记忆；Transformer靠自注意力，能并行、能捕捉长距离依赖，现在几乎统治了NLP，也越来越多用在视觉上。
我理解卷积时用了一个特别接地气的类比：把卷积核想成一个“小放大镜”，在图上从左到右、从上到下滑动，每到一处就看看这一小块像不像它要找的图案。一个卷积核负责找一种图案，多个核就找多种图案。池化则是“把一块区域的信息压缩成一个代表值”，比如取最大值，作用是减少计算量和增强平移不变性。这么想，卷积网络的整个逻辑就顺了。
再讲训练技巧。这里有几个高频考点。激活函数上，Sigmoid容易梯度消失、输出不是零中心，ReLU计算简单、缓解梯度消失但会有神经元死亡问题，所以后来有LeakyReLU、GELU这些变体。损失函数上，分类常用交叉熵，回归常用均方误差。优化器上，SGD、Adam这些，Adam收敛快但有时泛化稍弱，这个细节考试会问。
最后讲调参，这里我要分享一个实操心得——参数不是越大越好或越小越好，要理解它影响什么。学习率太大，训练震荡甚至发散；太小，收敛慢、可能卡在局部最优。批量大小Batch Size大，梯度估计稳但显存吃紧、泛化可能略差；小则噪声大但有时泛化更好。Epoch不是越多越好，过多就过拟合。考试里遇到“模型不收敛怎么办”这类题，我答题的顺序是：先看学习率是否过大、再看数据是否归一化、然后看梯度是否消失爆炸、最后才考虑换优化器。
3.3 计算机视觉与NLP的典型任务
这一节讲的是“看到需求能不能对号入座”，是场景选型题的解题基础。
计算机视觉这块，你要能区分四个任务。图像分类是给整张图一个标签，比如“这是猫”；目标检测是给图中每个物体框出位置并分类，输出是框加标签；语义分割是给每个像素分类，但同类物体不区分个体；实例分割则是连同类个体也分开。票据识别、人脸识别、瑕疵检测这些业务场景，你得能判断底层用到哪些视觉任务。举个例子，工业质检里找出所有缺陷并标位置，本质是目标检测；把缺陷区域像素级描出来算面积，那是分割。
自然语言处理这块，核心任务有分词、词性标注、命名实体识别、文本分类、情感分析、机器翻译、问答、文本生成。这里面“词向量”是个关键概念，它把词映射成向量，让语义相近的词在向量空间里距离也近。理解词向量有一个经典例子：国王减男人加女人约等于女王，这说明向量编码了语义关系。考试不会让你算这个，但会考你词向量的作用和局限。局限是什么？同一个词在不同语境里意思不同，词向量是固定的，解决不了这个问题，这就引出了上下文相关的表示，再往后就是预训练语言模型和大模型的路线。这条演化线你理清楚，NLP的很多题就通透了。
语音这块相对独立，抓两个概念就够了：语音识别ASR是把语音转成文字，语音合成TTS是把文字转成语音。再往下就是声学模型、语言模型这些分工，理解到“前者管发音、后者管通顺”这个层次，应付考试足够。
3.4 阿里云AI产品体系：这张能力菜单得背熟
这块是这门认证的“特色考点”，别的AI考试不考，它必考。而且它属于背了就有分、性价比极高的内容。我按我理解的分类给你梳理一遍，具体名称和功能以官方文档为准。
平台类，核心是机器学习平台PAI。它下面又分几块，我当时的记忆方式是按“一个人做AI的完整流程”来记：探索阶段用交互式开发环境（类似在云上开一个带GPU的Jupyter），训练阶段用深度学习容器这类跑大规模训练的服务，部署阶段用弹性推理服务把模型变成可以调用的在线接口，还有可视化的建模工具让不写代码的人也能拖拽搭流程。你把“探索—训练—部署—可视化”这四个环节和服务对上，这块就通了。
能力类，指的是开箱即用的AI接口。视觉智能开放平台提供人脸、图像识别、OCR这类能力；智能语音提供识别和合成；自然语言处理提供分词、情感分析、文本分类等。这类服务的特点是调用简单、按量付费，适合不想自己训模型的场景。考试会问你“某业务该自建还是直接调接口”，判断逻辑是：通用需求、对精度要求不极端、想快速上线，就调接口；需求特殊、数据敏感、要精细控制，就自建。
服务类，偏向基础设施和数据处理。对象存储OSS存数据、大数据计算服务MaxCompute做海量数据处理、数据集成和数据开发工具DataWorks做数据管道，这些是AI工程化的底座。很多人只记AI产品不记这些底座，结果工程化场景题就答不上来。
大模型这块近年比重在上升，需要知道有通义系列的大模型、有面向企业的大模型平台可以管理应用和知识库、有检索增强这类把外部知识接进模型的做法。学有余力的话，把“预训练—微调—提示工程—检索增强—智能体”这条大模型落地路线理一遍，遇到相关题不慌。
4. 备考资源与工具选型：怎么用最少的东西打最多的分
备考资料这东西，多不如精。我见过有人收藏了几十个G的资料，最后什么都没看完。资料贵在能形成闭环，不在数量。这一节讲我怎么选、怎么用。
4.1 官方文档与考纲：怎么读才不浪费
官方考纲是唯一权威，它的作用是划定边界，告诉你“考什么、不考什么”。我读考纲的方式是把它当成一份待办清单，逐条打钩，每复习完一个知识点就去钩一下，进度可视化，很有安全感。
官方文档则是理解产品的最佳来源。但产品文档往往又长又技术，通读不现实。我的读法是带着问题读——只读“这个产品解决什么问题”“核心能力有哪些”“典型使用场景是什么”这三块，具体API参数、计费细节先跳过。原因很简单，考试考的是产品定位和适用场景，不是让你背接口文档。
再提醒一句，阿里云的AI产品线更新很快，产品名称和形态会变。你复习时如果发现资料里的产品名跟文档对不上，不要慌，先理解它背后的能力（比如“把模型部署成在线服务”这个需求是稳定的），能力理解了，换个名字也不怕。
4.2 题库的正确打开方式：别当做题机器
题库是必要的，但用法决定效果。我只用题库做两件事：一是找知识盲区，二是练答题手感。
找盲区是这样用的：第一遍刷题不对错题做深入分析，只标记，快速过一轮，目的是快速暴露所有不会的点。这一轮错误率高很正常，别被打击到。
练手感是第二遍刷，这时候要严格限时，把题目当真实考试做，做完仔细分析错因。我这里有个独家心得——把错题按“考察点”而不是“难度”归类。你会发现，错误往往集中在某几个知识模块上，这时候集中补那几块，比均匀复习效率高得多。我当时发现我的错误一半集中在阿里云产品选型上，于是专门花半天把所有产品按场景重新梳理了一遍，之后再刷同类题正确率就上来了。
还有个小技巧：多选题特别容易阴沟翻船，因为它是“全对才算对”。我总结的经验是，做多选题先排除明显错误的，剩下的选项逐一看是否绝对正确，遇到“只能”“必然”“所有”这种绝对化表述要提高警惕，往往就是错的。这个技巧帮我少丢了不少分。
4.3 动手实验的取舍：哪些必须做，哪些可以跳过
动手实验要不要做、做多少，是很多人纠结的问题。我的答案是：做，但要挑着做，别贪多。
必做的实验我列了三类。第一类是数据的存取与处理，就是怎么把数据传到云上、怎么在云上读取和预处理，这是所有AI工程的第一步，不做你永远没有实感。第二类是起一个最小的训练任务并跑通，不用真训出什么好模型，重点是走一遍“配置环境——提交任务——查看日志——拿到模型”的完整链路。第三类是把模型部署成一个可调用的接口，并自己发一个请求调通它。这三类做完，你对AI工程全流程就有画面感了，考试里遇到流程题基本不会错。
可以跳过的实验也有两类。一类是需要大量算力和长时间训练的模型调优实验，对考试帮助不大，时间成本极高。另一类是深究某个算法实现的源码级实验，考试不考代码细节，投入产出比低。
做实验还有一个隐藏好处：它能把文档里抽象的产品描述变成你自己的操作记忆。我做过一个把图片传到对象存储、再用视觉接口做识别的实验，做完之后，只要考试里出现“图片识别+云存储”的组合题，我脑子里直接就有画面，答题几乎不犹豫。
5. 常见问题与踩坑实录
备考路上坑是真不少，我把能想起来的都整理出来，你能少踩一个是一个。
5.1 高频错题类型速查表
我把自己和身边考友反复错的类型整理成了一张速查表，复习时对着自查：
| 错题类型 | 典型表现 | 影响 | 纠正办法 |
|---|---|---|---|
| 概念混淆 | 混淆精确率/召回率、分类/回归 | 直接丢分 | 手算例子，编故事理解 |
| 审题失误 | 忽略“错误”“不正确”“不属于” | 会做也错 | 读题圈关键词，反向再读一遍 |
| 产品混淆 | 分不清该用哪类云服务 | 场景题全错 | 按能力—场景重梳产品 |
| 流程顺序错 | 搞不清建模大致先后 | 大题连环错 | 背熟建模九步流程 |
| 过度推理 | 想太多、脑补条件 | 选错简单题 | 就事论事，答案不离题干 |
| 绝对化陷阱 | 掉进“只能”“必然”选项 | 多选题失分 | 见绝对化词先怀疑 |
这张表我几乎每天考前都会扫一遍，尤其是“审题失误”和“绝对化陷阱”这两条，属于低级错误，但偏偏最容易丢分，多留意一下就能捞回来不少。
5.2 考试当天流程与注意事项
考试当天，我踩过一个小坑值得说。我是提前半小时到的，结果发现证件要核验、要拍照、要存包，如果掐着点到铁定迟到。所以第一件事——务必提前至少半小时到，带好有效证件，按考场要求把手机等物品存好。
进考场坐定后，先别急着答题，花一分钟把答题界面熟悉一下：怎么看剩余时间、怎么标记题目、怎么提交。这几步操作看着小，但省下来的时间能救命。
答题过程中，我的策略是先易后难、三轮推进。第一轮把有把握的题快速做完，拿不准的标记跳过；第二轮集中攻标记题；第三轮如果有时间，回头检查那些“做过但不确定”的题。这里有个禁忌：别在最后时刻大改答案，除非你非常确定原来错了，因为第一直觉往往是对的，改来改去反而错。
关于时间分配，我的经验是按每题平均多少秒来卡，遇到超出平均时间太多还拿不准的，果断标记跳过，别恋战。一场考试最怕的不是难题不会，而是简单题没时间做。
5.3 我的避坑清单：这些事当初没人告诉我
最后这部分是纯经验，都是我希望当初有人提前告诉我的。
第一，别迷信“背题就能过”。题库换个问法、换个场景你就懵了。核心是理解，题目是载体。我身边就有刷了三遍题库还说不上来“为什么要归一化”的人，这种状态换套卷子就露馅。
第二，别把时间全给理论，产品知识要专门留出时间。很多人下意识觉得数学难，就把时间砸在算法上，结果产品题大面积丢分。这门考试的特色就在云产品，这是送分题，必须拿满。
第三，错题本要用起来，但别抄题。抄题是效率最低的做法，只记“考察点 + 我的错因 + 正确思路一句话”就够了，题目本身翻回去看原题就行。
第四，注意休息，尤其考前那天。我第14天模拟考完特别焦虑，晚上又刷到很晚，结果考试当天状态一般。如果能重来，我考前那天一定早睡。
第五，心态上把这场考试当成一次知识梳理，别当成生死线。15天足够，前提是你真的每天在推进，而不是每天在焦虑。焦虑是最不产生分数的活动，不如打开文档读一页。
我个人在这15天里最大的体会是，考证这件事真正的价值不在那张纸，而在于它逼着你把平时东一榔头西一棒子学的东西，用一个框架串起来。考完之后我再看业务里那些AI需求，选型明显快了很多，跟算法同学聊天也不再是“嗯嗯嗯”了。如果你也打算考，我的建议是别拖、定好15天的截止日期、每天稳定推进两三个小时，产品知识和错题闭环这两块千万别省，剩下的交给时间就行。要是复习中途卡住了，不妨先停下来把“问题—方法对应表”重新画一遍，很多时候不是你不会，是你脑子里的地图乱了。
