技术英语学习计划（24周）

0 总览与学习目标

计划总览

本计划专为母语为中文的 AI 算法工程师设计，目标是在 16 周（约 4 个月）内，将技术英语水平从"借助翻译勉强看懂"提升到"能独立读写英文技术文档、听懂英文技术视频、用英语口头解释技术方案"的实用水平。

计划的核心设计理念是"学以致用"：不追求 GRE 级别的词汇量，不练日常闲聊的口语，而是聚焦于 AI 工程师日常最高频的英语场景——读论文、看文档、听视频、写 README、参与技术讨论。每个学习任务都直接关联你的 AI 学习和工作实践，英语学习不额外占太多时间，而是融入 AI 学习过程。

学习目标（SMART）

T 24周计划概览表

1 为什么 AI 工程师需要技术英语

1.1 2026 年 AI 前沿几乎全在英文社区

AI 是当前发展最快的科技领域，没有之一。从 2022 年 ChatGPT 发布到 2026 年，大模型技术几乎每 3 个月就有一次重大突破。这些突破的第一手信息——论文、代码、模型、讨论——几乎全部诞生在英文社区：

1.2 顶级模型文档英文优先，中文翻译滞后且不准确

即使是成熟的开源项目，文档的英文版和中文版也存在显著差异：

1.3 面试外企 / 远程工作的硬门槛

2026 年，越来越多的 AI 工程师机会来自外企和远程工作：

• 外企 AI 岗位：Google、Microsoft、Meta、Amazon 等大厂的 AI 研究院和工程团队，面试全程英文
• 远程工作：OpenAI、Anthropic、HuggingFace 等明星公司大量招聘远程工程师
• 开源贡献：在 GitHub 上参与国际开源项目，Issue / PR / Code Review 全部英文
• 学术交流：在 NeurIPS / ICML / ACL 等会议与研究者交流，需要英语口头沟通能力
• 技术布道：写英文技术博客、做英文技术分享，建立个人国际影响力

1.4 技术英语的特点：比日常英语简单

这是最重要的一点：技术英语是英语中门槛最低的子集。一旦理解了它的特点，你会发现学技术英语比学日常英语容易得多。

English// 技术英语的典型句式 —— 简洁、结构化、无歧义

// 1. 描述方法（一般现在时，被动语态）
The input sequence is first tokenized using a BPE tokenizer,
then embedded into a d-dimensional vector space.

// 2. 描述实验结果（一般过去时）
We evaluated the model on the GLUE benchmark and achieved
an average score of 89.3, outperforming the previous SOTA by 2.1 points.

// 3. 定义概念（"X is defined as Y" 句式）
Attention is defined as a function mapping a query and a set of
key-value pairs to an output, where the query, keys, and values
are all vectors.

// 4. 对比方案（明确的连接词）
Unlike RNN-based models, the Transformer relies entirely on
self-attention to compute representations, without using
recurrence or convolution.

2 自我评估框架

在开始 16 周计划之前，先花 30 分钟完成以下自我评估。这能帮你确定起点，也方便 16 周后对比进步。

2.1 读写水平自评

请根据以下量表，诚实评估自己当前的读写水平（选最接近的一档）：

2.2 听说水平自评

2.3 词汇量估算

推荐使用以下工具进行词汇量测试，取平均值作为参考：

• testyourvocab.com：经典的词汇量测试网站，通过勾选你认识的单词来估算词汇量，测试过程约 5-10 分钟
• my.vocabularysize.com：学术性更强的词汇量测试，采用选择题形式，结果更精确

2.4 设定阶段性目标

根据你的自评结果，在 App 中设定个性化目标。以下是不同起点对应的建议：

3 24周学习计划（4个阶段）

以下是将 24 周拆分为 4 个阶段的详细学习计划。每个阶段都有明确的目标、每日任务安排、推荐资源和周末实践任务。App 内置 608 个技术英语词汇（覆盖 11 个技术领域）、14 篇阅读文章、20 个听力练习、20 个口语练习和 6 类全英场景对话练习。所有每日任务都设计为可以与你的 AI 学习计划同步进行。

English// 英文技术笔记示例（第5周可达到的水平）

## Notes on "Attention Is All You Need"

This paper introduces the Transformer architecture, which replaces
recurrence and convolution entirely with self-attention mechanisms.
The key innovation is the scaled dot-product attention, which computes
attention weights using query and key vectors, then applies these weights
to value vectors.

The multi-head attention allows the model to attend to information from
different representation subspaces at different positions. The paper also
uses positional encoding to inject position information since the model
contains no recurrence or convolution.

The results show that the Transformer outperforms previous models on
machine translation tasks while being more parallelizable and requiring
significantly less time to train.

Key terms learned: self-attention, scaled dot-product, multi-head,
positional encoding, parallelizable, recurrence, convolution.

English// 自言自语示例

// 写代码时
"OK, so now I need to define a neural network class that inherits
from nn.Module. First, I'll initialize the layers in the __init__
method, then implement the forward pass..."

// 学习概念时
"Let me explain what self-attention does. Given a sequence of tokens,
each token generates three vectors: a query, a key, and a value. The
attention score is computed as the dot product of the query and key..."

Markdown<!-- 英文 GitHub PR 描述模板 -->

## What
Brief description of what this PR does.

## Why
Explain the motivation. What problem does this solve? Reference
any related issues with #issue_number.

## How
Describe the approach. What files were changed and why?
- Refactored the attention module to use FlashAttention
- Updated the config to support custom attention implementations
- Added unit tests for the new attention layer

## Testing
- [x] All existing tests pass
- [x] Added new tests for FlashAttention path
- [x] Manually verified on [model name] with sequence length 4096
- [x] Benchmark shows 2.3x speedup on A100

## Breaking Changes
None. The change is backward compatible — FlashAttention is used
only when explicitly enabled via `use_flash_attention=True`.

4 每日时间规划表

以下是将英语学习融入日常 AI 学习和工作的时间表。核心原则是不额外占用大块时间，而是利用碎片时间和与 AI 学习重叠的时段。建议每天总计 60-90 分钟英语学习，分为 3 个时段。

4.1 工作日时间表（推荐）

8.1 与 AI 学习计划配合的阶段时间表

不同 AI 学习阶段，英语学习的侧重点不同。以下是各阶段的配合建议：

4.3 周末时间表（深度学习日）

5 分技能学习策略

本节详细拆解阅读、听力、口语、写作、词汇五大技能的学习方法。每项技能都给出具体可操作的策略和工具推荐。

Method// Shadowing 操作流程

Step 1: 选材
选择一段 1-2 分钟的清晰技术视频片段
推荐：3Blue1Brown（语速适中、发音清晰）

Step 2: 理解
正常播放一遍，确保理解内容大意
如果不理解，先看字幕读懂内容

Step 3: 逐句跟读
播放一句话 → 暂停 → 模仿语调跟读一遍
注意：模仿语调、节奏、重音，不是只读单词

Step 4: 同步跟读
不暂停，在说话者说出后 0.5 秒跟读（"影子"般跟随）
尽量完全同步，包括停顿和语气词

Step 5: 无字幕同步跟读
关掉字幕，继续同步跟读
这一步最难，但对听力提升最大

// 每天花 10 分钟做 Shadowing
// 3 周后听力会有质的飞跃

English// 技术面试英文回答框架（STAR 法则变体）

// Q: "Tell me about a technical project you're proud of."

// S - Situation (背景)
"I was working on a RAG-based customer support chatbot
for a fintech company. The system was retrieving too many
irrelevant documents, leading to poor answer quality."

// T - Task (任务)
"My task was to improve the retrieval accuracy and reduce
the latency of the pipeline."

// A - Action (行动)
"I implemented a hybrid search approach combining dense
retrieval using sentence-transformers with sparse retrieval
using BM25. I also added a re-ranking step using a
cross-encoder model. For latency, I introduced caching
for common queries and batch processing."

// R - Result (结果)
"The retrieval accuracy improved by 23% measured by
Hit Rate@5, and the average response time dropped from
3.2 seconds to 1.1 seconds."

English// 描述算法步骤
The algorithm consists of three steps: First, ... . Second, ... .
Finally, ... .

// 描述方法核心思想
The key idea behind X is to ... .

// 描述数据处理
The input is first processed by ..., then fed into ... .

// 描述模型架构
The model consists of an encoder and a decoder. The encoder
takes X as input and produces Y. The decoder then generates Z.

English// 描述系统组件
The system is composed of three main components: a frontend,
an API gateway, and a backend service.

// 描述数据流
Data flows from the client through the API gateway, where
it is validated and routed to the appropriate microservice.

// 描述设计权衡
We chose X over Y because ... . The trade-off is that ... .

English// 直接对比
Unlike X, Y does not require ... .

// 优劣对比
While X offers better performance in terms of ..., Y provides
greater flexibility at the cost of ... .

// 总结对比
In summary, X is more suitable for ... scenarios, whereas Y
is preferred when ... .

English// 描述实验结果
We evaluated the model on the GLUE benchmark and achieved
an average score of 89.3.

// 对比基线
Our method outperforms the baseline by 2.1 points on
the F1 score.

// 描述消融实验
Removing the attention mechanism results in a 3.5-point
drop in accuracy, demonstrating its importance.

// 描述局限性
One limitation of our approach is that it requires a large
amount of labeled data, which may not always be available.

Algorithm// SM-2 间隔重复算法简化说明

// 每次复习后，根据你的回忆质量（0-5分）调整下次复习间隔

// 评分 5（轻松记住）：
下次复习间隔 = 当前间隔 × 间隔倍率（通常 2.5）
例：1天 → 2.5天 → 6.25天 → 15.6天 → 39天 → ...

// 评分 3（勉强记住）：
下次复习间隔 = 当前间隔 × 1.2（缓慢增长）

// 评分 0-2（忘记）：
重置！下次复习间隔 = 1天（从头开始）

// 关键：每天打开 App 完成复习任务
// App 会自动安排今天需要复习的词汇
// 坚持复习，遗忘率会越来越低

D App 内置 DevOps 专项内容

针对有 Java 后端开发经验但运维部署薄弱的工程师，App 在第 7-12 周（领域扩展期）新增了 DevOps 专项英语学习内容，帮助你补齐 CI/CD、容器化、Kubernetes 等运维部署领域的英语能力。

全英场景对话练习（6类场景）

App 新增场景练习模块，模拟真实技术场景的全英文对话。AI 扮演不同角色（面试官、同事、客户等），用 TTS 语音播放台词，轮到你时朗读屏幕英文进行录音，系统自动评分。可随时开关中文字幕。

7 推荐资源清单

以下是经过筛选的高质量技术英语学习资源，按技能分类。所有资源都是免费的或有足够的免费额度，不需要付费即可开始学习。

6.1 阅读资源

6.2 听力资源

6.3 口语资源

6.4 写作资源

6.5 词汇资源

7 与 AI 学习计划的整合

本节将技术英语学习计划与你正在进行的 AI 算法工程师学习计划（2026 前沿版 · 14 个阶段）进行对应整合。核心思路是：英语学习不额外占太多时间，而是融入 AI 学习过程——把原来读中文资料的时间换成读英文资料，把原来听中文讲解的时间换成听英文视频。

7.1 对应关系总表

8.2 整合的核心原则

9 里程碑与自测

以下是 24 周学习计划中的 4 个关键里程碑。每 6 周进行一次自测，检验学习效果，及时调整学习策略。在 App 中记录每次自测结果，形成进步曲线。

8.1 进度追踪表

在 App 中使用以下表格追踪每个里程碑的达成情况：

9 App 使用指南

本学习计划配套一个 PWA（Progressive Web App）打卡应用，用于日常学习打卡、词汇复习、发音练习和进度追踪。App 完全在浏览器中运行，无需安装，可添加到手机桌面像原生 App 一样使用。

9.1 App 核心功能

9.2 每日打卡流程

建议每天按以下顺序完成打卡，总时长约 60 分钟：

9.3 如何添加到手机桌面

App 是 PWA 应用，可以添加到手机桌面，像原生 App 一样全屏运行，无需打开浏览器输入网址。

9.4 数据存储说明

App 的所有数据都存储在浏览器的 localStorage 中，不会上传到任何服务器。这意味着：

JSON// 导出的数据格式示例（JSON）
{
  "checkinRecords": [
    {
      "date": "2026-07-28",
      "vocabulary": { "completed": true, "duration": 25 },
      "reading": { "completed": true, "duration": 20, "material": "PyTorch Tutorial" },
      "listening": { "completed": true, "duration": 30, "material": "Karpathy GPT video" },
      "speaking": { "completed": true, "duration": 10, "score": 85 }
    }
  ],
  "vocabularyBook": [
    {
      "word": "backpropagation",
      "meaning": "反向传播算法",
      "example": "Backpropagation is used to compute gradients.",
      "category": "AI/ML",
      "nextReview": "2026-07-30",
      "interval": 2,
      "easeFactor": 2.5
    }
  ],
  "streak": 28,
  "totalStudyTime": 1680,
  "milestones": {
    "week4": { "achieved": true, "vocabSize": 3200 },
    "week8": { "achieved": false }
  }
}

9.5 常见问题