跳到主要内容

转码记录 Vol.01 | 从文科硕士到 CS 二学位，第一个学期的实况

· 阅读需 7 分钟
Yi Wang
Yi Wang
Full Stack & AI Engineer

文科硕士毕业，做了几年数据分析师。流程熟了之后，开始意识到一件事——我会用工具，但不懂工具背后的逻辑。能调 API，但不理解 HTTP 请求的完整链路；会写 Pandas，但遇到性能瓶颈只能靠 Stack Overflow。岗位天花板不是薪资，是你能解决的问题的复杂度上限。

这是决定读 CS 二学位的第一学期复盘。

我是谁，为什么在转码​

文科硕士毕业，做了几年数据分析师。

工作内容说起来不复杂：SQL 拉数据、Python 跑脚本、Tableau 出图，整理成报告给业务团队看。流程熟了之后，开始意识到一件事——我会用工具，但不懂工具背后的逻辑。

具体表现是：

  • 能调 API，但不理解 HTTP 请求的完整链路
  • 会写 Pandas，但遇到性能瓶颈只能靠 Stack Overflow
  • 参与过 RAG 项目的数据管道部分，但对向量检索的底层实现是黑盒

这种状态在数据分析岗位可以维持，但进不了技术研发的核心圈子。岗位天花板不是薪资，是你能解决的问题的复杂度上限。

做了一段时间 AI 开发相关的项目（SREDSimplify，一个处理政府税收文件的 RAG 系统）之后，这个判断变得更清晰：我想做的不只是数据层，而是整个系统的架构和实现。

为什么是二学位，而不是培训班或自学​

这个选择考虑过三条路：

培训班：周期短，但课程设计以就业为导向，跳过大量基础。面试能过，实际工程能力存疑。

自学：灵活，但缺乏系统性。离散数学、算法、操作系统这些课，自学的完成率和质量都很难保证。

CS 二学位：时间成本最高，但结构最完整。65 学分，覆盖从数学基础到系统设计的完整路径。

选二学位的核心逻辑只有一条：我想要的不是一个能通过技术面试的技能包，而是能支撑长期技术成长的基础结构。

项目参数​

项目数据
总学分65 credits
计划学期数7 个学期
目标毕业时间2026 Fall
目标方向技术研发（AI / 后端方向）

24 Fall：第一个学期，三门课​

📅 正式开始的学期，选了三门课，刻意控制节奏，不堆课。

EECS 1012 – Introduction to Computing: A Net-centric Approach​

内容：HTML、CSS、JavaScript，以及事件驱动编程的基本概念，在移动与网络环境下理解计算。

这门课对零基础友好，成绩 A+。但收获不在语法本身，而在于第一次完整体验了"写逻辑 → 浏览器执行 → 结果可见"这个闭环。数据分析的工作结果是报告，Web 的结果是可交互的界面——两种反馈机制完全不同，后者的即时性让调试变成了一种直接的对话。

这门课也引入了客户端-服务器架构的基本概念。以前用 Pandas 处理数据时，数据从哪里来是理所当然的；学完这门课之后，开始有意识地去想"这个 API 请求背后发生了什么"。

MATH 1013 – Applied Calculus I​

本科和考研阶段有微积分基础，这门课压力不大，成绩 A。

策略是同步复习，把极限、导数、积分的概念清晰化，而不只是记住计算套路。后续的算法课会用到时间复杂度的渐近分析，微积分的估算思维在那里会再次出现。

EECS 1019 – Discrete Mathematics for Computer Science ← 这门值得单独说​

内容：命题逻辑、集合论、数学归纳法、函数与关系。成绩 A。

这门是文科背景转码的第一个真实门槛。

具体难在哪里：

证明的思维方式不同于解题。 微积分的计算有固定套路，但离散数学的证明要求你构造推理链——每一步的依据必须显式说明，不能靠"直觉上成立"跳过。

归纳法的方向容易搞反。 证明 P(k+1) 时，新手容易从结论往回推，但归纳法要求从已知的 P(k) 正向推出 P(k+1)。这个方向感需要做大量题才能固化，不是看懂例题就够的。

逻辑符号的精确性要求高。 ∀ 和 ∃ 的位置不同，命题含义完全不同。∀x ∃y P(x,y) 和 ∃y ∀x P(x,y) 在语义上是两件完全不同的事。自然语言里可以模糊表达，形式逻辑里不行。

对我来说，离散数学不只是一门课，它是在强迫我用计算机的方式思考——精确、无歧义、每一步有依据。这套思维方式对后续所有技术课都有用，只是第一学期还看不见它的价值。

第一学期结束时的状态​

三门课都通过了，GPA 稳住。

更实质的变化是对计算机科学有了一个不那么模糊的认知框架：数学是地基，逻辑是语言，编程是表达方式。之前做数据分析时用的那些工具，开始能看清楚它们各自在哪个层次上工作——Pandas 是抽象层，Python 是语言层，背后是 C 写的运行时，运行时跑在操作系统上，操作系统跑在硬件上。这条链路以前是完全不透明的。

关于这个选择​

在职场有了几年经验之后，主动回去当"最差的那个"，心理成本比预期高。不是因为课程难，而是因为"不会"这件事本身会触发一种很久没有感受过的状态——你清楚地知道自己在某件事上是完全的初学者，而周围可能有很多比你年轻、但在这件事上比你强得多的人。

这种感受在离散数学课上最集中。证明题做不出来的时候，有一种具体的沮丧：不是"还没复习到"那种可以解决的沮丧，而是"我的思维方式根本不对"那种更底层的不适。这大概是文科训练和理工科训练最根本的差距：文科的论证允许一定程度的模糊和修辞，数学证明的每一步必须有明确依据，不能靠"这个结论看起来对"蒙混过关。

适应这种思维方式需要时间，但这个过程本身是有价值的。它不只是在学离散数学，而是在重新校准一套认知工具。

文科背景在转码这件事上到底是包袱还是资产？诚实的答案是：看什么维度。在证明和推导的速度上，确实比理科起点慢。但在理解"为什么要这样设计"——系统的逻辑性、抽象层次之间的关系——这方面，文科训练里建立的批判性思维并不是完全无用的。只是这个优势要到后期的系统设计课里才会有感知，第一学期还处于纯劣势阶段。

选择二学位时，有过"会不会太慢"的疑虑——65 学分、7 个学期，别人在积累工作经验，我在重修基础课。这个疑虑没有完全消失，但第一学期结束时有了一个具体的感受：理解一件事情"为什么是这样"和"会使用它"之间，存在真实的差距。这个差距不是考试分数能衡量的，也不是培训班能填补的。

先接受这条路慢，再看它能走到哪里。

下一篇写 25 Winter——那个学期开始进入数据结构和面向对象，同时自学了四门课，工作量直接翻倍。