从足球教练到AI研究:他把球场上的直觉写进了文书

我的配置是导师+班主任+部长，文书导师是M老师。说实话我自己平时问问题不多。申请季的课业、科研加实习几乎占满了时间，但老师们都非常主动，每个节点都会提前来找我对齐进度、提醒材料，整个申请季我几乎没有为流程性的事情操过心，大家都特别热心。

对我来说倒没有某一个特别戏剧性的瞬间，反而是一种持续的感受：每一次沟通的效率都非常高，信息密度很大。每次开会都是直接进入正题、给出具体可执行的建议，从不绕弯子。对我这种时间很紧张的人来说，这种“每次沟通都有增量”的体验本身就是印象最深的部分。

我觉得三类同学特别适合PH：

• 一是像我这样自己有想法、背景也不错的半DIY型选手，需要的是专业信息的补齐和材料把关，而不是被全盘接管；

• 二是目标明确要冲刺名校的同学，这个档位的竞争里，材料的精细程度真的会拉开差距；

• 三是课业科研很忙、时间紧任务重的同学，老师们的主动推进能省下大量自己盯流程的精力。

我的优势是标化成绩和实习科研经历还可以。

短板主要有两个：

• 一是文书，经历不少，但我不知道怎么把它们串成一条有说服力的主线、讲成一个故事；

• 二是时间精力，申请季正好和课业、科研、实习撞在一起，根本没有余力去研究各个项目的定位和申请细节。

整个选校是从职业规划倒推的：我的目标是LLM后训练和agent应用方向，所以专业赛道定在DS/ML这条线，而不是泛CS。梯度上，冲刺档放了Stanford MS&E、CMU MCDS、Harvard、Penn这些，主申档是CMU AIE、NU MLDS这类和我背景匹配度高的项目，整张名单冲稳结合。

对我帮助最大的是信息差的补齐。比如NU MLDS这个项目我原本完全不了解，是老师主动推荐加进名单的，定位和我的背景非常匹配，最后顺利拿到offer。再比如对Stanford MS&E、CMU MCDS这类冲刺项目的真实难度老师帮我校准了预期，让我没有把申请组合押得太激进，整个申请组合更合理。最后的结果也验证了这些判断。

简历里被重新打磨最多的是联想AI Lab这段实习。我原来的写"法偏“做了什么”，老师帮我改成“解决了什么问题、带来了什么量化结果”。改完之后，这段经历从一段普通的实习描述，变成了整份简历里最有辨识度的部分。

文书是我申请前最大的短板，也是M导师帮助最大的地方。主线是我们一起讨论确定的：我在北航当过校足球教练，M导师和我把“足球教练”这段经历挖掘出来做成了整条申请主线——教练在场边观察、建模、实验、迭代的直觉，和数据科学的内核是同一回事。这条线把我后续的科研和实习也串了起来。确定主线的那次讨论就是我“思路突然清晰”的时刻：原本散落的几段经历一下子有了因果关系，之后每所学校的文书只需要在这条主线上做定制就行了。

我申请的项目里只有NU MLDS有视频面试（Kira录播形式）。老师们提前帮我做了准备，正式录制的时候比较从容，最后也顺利拿到了这个项目的offer。

当时的dream program是Stanford MS&E，可惜最后没有录。手上的三个offer是UPenn DS、CMU AIE和NU MLDS，最终选了第一个，主要从两个角度考虑：

• 一是课程对口——这个项目有AI track，理论和工程的平衡很好，还可以自由选CIS的课，和我想在LLM算法层面继续深入的方向完全一致；

• 二是藤校品牌和工学院的资源——校友网络、研究机会，对之后找Applied Research Scientist方向的工作都有帮助。

相比之下，CMU AIE挂在ECE系下，方向更偏工程落地，和我偏算法/DS的路线不完全对口。UPenn这个项目的优点是课程灵活、AI方向资源好、品牌强；缺点是项目规模不算小，资源需要自己主动去争取，这点要有心理准备。

我的三封推荐信分别来自UNC的科研导师教授、联想AI Lab的实习mentor，以及Methods of Data Analysis这门课的教授。我的体会是，推荐信本质上是提前一年就要开始准备的事：

• 和科研教授是从加入他的LLM Agent科研项目开始，一年多的持续投入和产出（NSF RTG Fellowship、INFORMS展示）让推荐信水到渠成；

• 实习mentor那边靠的是实习期间主动汇报、把项目做出可量化的结果（专利、上线的Agent）；

• 课程教授则是课上认真投入、课后多去office hours交流。

共同点是：要让推荐人真的有具体的事情可写，而不是只能写“这个学生成绩不错”。