AI 热门概念手册

外观

模块导读与岗位版图

本页速览 AI 热门概念领域的求职版图全景：大模型算法工程师、RAG/Agent 应用工程师、Prompt 工程师、AI 产品经理、AI Infra 工程师、数据评估工程师、AI 安全工程师等七类岗位的职责与技能对比，配岗位与本站知识映射表、市场需求趋势，并给出 career 模块四页的使用路径。

本页含时效性内容，数据截止于 2025-06；JD、榜单、产品功能等信息可能已变化，引用前请核对原始出处。

模块导读与岗位版图 ​

先记住这一页的一句话：career 模块解决两件事——先看清 AI 热门概念领域有哪些岗位、各要什么，再照着差距准备自己。 本文是这两件事的导航图：岗位版图给你市场信息，需求趋势帮你看清方向，内容地图告诉你去哪四页深挖。

求职最怕的顺序错误是"先努力、再定位"：闷头刷了三个月 Transformer 面试题，回头发现目标岗位根本不是这么考的。AI 热门概念领域变化尤其快——2022 年底还没有"Prompt 工程师"这个岗位名，2025 年它已经出现在大量 JD 里。所以 career 模块把你拉回正轨：先做信息工作，再做学习工作。

一、模块定位：看清市场，然后准备自己 ​

整个模块的五篇正文（本导读 + 四篇正文）串成一条求职流水线，每一站的产出是下一站的输入：

你的处境：想在 AI 热门概念领域求职 / 转岗 / 跳槽
         │
         ▼
┌─────────────────────────────────────────────┐
│ ① 看清市场 ── [JD 清单](/career/jd-list)      │
│    市场上在招什么岗？JD 反复出现的要求是什么？ │
│    硬性门槛 vs 加分项怎么区分？              │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ② 看清自己 ── [知识点拆解](/career/knowledge-map)│
│    把 JD 技能词映射成「会 / 不会 / 半会不会」，│
│    生成个人补课清单，而不是从头通读          │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ③ 包装自己 ── [简历分析](/career/resume-analysis)│
│    按面试官视角重写项目经历：突出模型选型、    │
│    评估方法、失败与复盘                     │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ④ 证明自己 ── [面试题库](/career/interview-questions)│
│    高频考题 + 答题框架，最后自测而非第一天看 │
└─────────────────────────────────────────────┘

这套顺序是学习路径的主线设计：以终为始，从 JD 和面试题倒推学习内容，不求全面，只求高频考点全部覆盖。时间只有两三周就跟着这条主线走；时间充裕，就把主线与本站「什么是 AI 热门概念 → 核心知识章 → 案例章 → 实践章」的常规路径交叉推进。

与其它模块的关系

career 模块不重复讲知识，它只做两件事：市场信息 + 求职方法。概念性的东西去概念边界理清 "AI vs ML vs 深度学习 vs 生成式 AI" 的区别，去术语表查定义。求职阶段最容易犯的错是把时间花在"再学一章"而不是"整理已会的"——career 模块正是为后者设计的。

二、岗位版图：七类岗位全景 ​

先看总表，再逐个拆。下表是截至 dataAsOf（2025-06）国内外招聘市场围绕 AI 热门概念最常见的七类岗位，均以公开 JD 的共性归纳，不指向任何特定公司的在招职位。

岗位英文常用名一句话定位核心产出
大模型算法工程师LLM Algorithm Engineer训练、微调、对齐模型的"造模型"角色更准、更稳、更听话的模型
RAG/Agent 应用工程师RAG / Agent Engineer把通用模型接进产品场景的"组装者"能跑业务流的 RAG 问答、Agent 应用
Prompt 工程师Prompt Engineer设计提示词与交互范式的"翻译官"稳定复现高质量输出的提示词模板
AI 产品经理AI Product Manager定义"AI 能解决什么问题"的人可落地的产品需求与评估方案
AI Infra 工程师（推理优化）AI Infra / Inference Engineer让模型跑得快、跑得便宜的人低延迟、低成本的推理服务
数据标注/评估工程师Data & Eval Engineer喂给模型的数据与衡量模型的标尺高质量数据集与评估基准
AI 安全工程师AI Safety Engineer给模型上保险、把风险关进笼子的人安全评测、红队测试与治理方案

薪资数字怎么读（请务必先看这一条）

本节涉及的薪资为撰写时（dataAsOf: 2025-06）基于招聘平台公开信息与 levels.fyi 等第三方统计的粗粒度综合区间，只做选方向时的量级参考，不构成精确报价。「国内一线城市」指北京、上海、深圳、杭州等地的全职年薪（人民币，覆盖常见水平）；「海外」以美国科技公司为主（美元）。同岗位薪资因学历、经验、公司、面试表现可相差数倍；超过一个季度请当趋势参考，精确数字以实际 offer 和最新统计为准。

1. 大模型算法工程师 —— 造模型的人 ​

负责大语言模型的预训练、继续训练、指令微调（SFT）与对齐（RLHF/DPO）。常见于大厂的基础模型团队、研究院与开源模型团队。这个岗位是七类里门槛最高的：预训练岗通常要求大规模训练经验（千卡级以上）或相关研究背景，应届生多从微调、数据与评测方向切入。

2. RAG/Agent 应用工程师 —— 用模型的人 ​

2023 年后增长最快的一类岗位，核心是把基座模型接进具体业务：做检索增强生成（RAG）知识库问答、构建智能体（Agent）工作流、处理工具调用与多步任务。它不要求你会训练模型，但要求你把模型的边界摸清，并用工程手段组合它。

3. Prompt 工程师 —— 与模型沟通的翻译官 ​

独立成岗的 "Prompt 工程师" 争议一直不小，但它确实是招聘市场真实出现的岗位名，且更常见的形态是作为其他岗位的复合技能。它负责把业务需求翻译成模型能稳定执行的指令：系统提示词设计、Few-shot 示例构造、思维链（Chain-of-Thought, CoT）引导、结构化输出约束。

  • 核心技能：提示词工程方法论、指令编写与调试、输出解析与兜底、评测闭环（一个改动能带来多少稳定提升，必须用数据说）。
  • 典型薪资：独立岗位多出现在海外与 AI 原生公司，国内一线城市约 25–60 万/年；海外约 12–22 万美元/年。
  • 与本站对应：提示词工程是主战场，提示词实战手册是工具书；想证明自己"会"，还要会搭建 LLM 评估。

关于"Prompt 工程师会不会是短期岗位"

一个被反复讨论的问题。务实的判断是："独立 Prompt 岗位"可能会收缩，但"人人都会写提示词"的时代会放大它的底层技能——就像"打字员"岗位消失，但打字成了所有岗位的默认技能。所以把提示词能力当复合技能学，永远不会亏。

4. AI 产品经理 —— 定义问题的人 ​

AI 产品经理的核心不是写代码，而是定义"AI 到底能帮用户解决什么、怎么衡量成功"。职责包括：需求分析、模型能力边界评估、Prompt 与交互流程设计、效果评估方案、成本与合规考量。这是非技术背景进入 AI 领域最现实的通道之一，但不意味着不需要技术判断力——不懂模型能力边界的产品经理很容易把产品做成"演示品"。

5. AI Infra 工程师（推理优化）—— 让模型跑得起的人 ​

模型"能用"和"能用得起"是两回事。AI Infra 工程师负责推理服务化、推理优化与量化、KV Cache 管理、部署框架选型与 GPU 成本优化。这个岗位在 2024 年后需求明显上升，因为大模型应用的瓶颈从"有没有模型"变成了"每亿 token 多少钱、P99 延迟多高"。

6. 数据标注/评估工程师 —— 喂数据、定标尺的人 ​

大模型应用的瓶颈正在从"造模型"转向"造数据、做评测"，这让数据与评估岗位从边缘走向核心：数据清洗与配比、指令数据构造、人工/模型标注体系设计、评估集与基准搭建、红队测试。它是最容易被低估、也最容易积累差异化经验的方向——很多大模型算法工程师的第一份活就是做数据。

  • 核心技能：Python 数据处理、标注规范设计、质检流程、评测与基准方法论、RAG 评测（检索质量 + 生成质量双维度）、数据管道工程。
  • 典型薪资：国内一线城市约 20–50 万/年；海外约 10–20 万美元/年（高级评估工程师更高）。
  • 与本站对应：LLM 评估与基准是理论核心，搭建一套 LLM 评估是动手主线；数据集与工具档案里有现成的数据资源清单。

7. AI 安全工程师 —— 给模型上保险的人 ​

模型能力越强，风险越大：提示注入、越狱、幻觉、偏见、隐私泄露。AI 安全工程师负责安全评测、红队测试、内容安全过滤与合规落地。这个岗位在国内多落在内容安全部门，在海外则上升为独立的 Responsible AI / Safety 团队。相关概念见AI 安全与治理。

  • 核心技能：安全评测方法论、提示注入与越狱攻击的攻防两端、内容安全策略、模型偏见评估、合规知识（数据法、生成式 AI 管理办法等）。
  • 典型薪资：国内一线城市约 30–70 万/年；海外约 15–28 万美元/年。
  • 与本站对应：AI 安全与治理是主页面；安全评测要落地在评测与基准的框架里；想理解攻击面的技术底子，对齐：RLHF 与 DPO不可跳过。

别把"岗位名"当身份

同一个名字在不同公司做的事可能完全不同：A 厂的"大模型算法工程师"可能天天写 SQL 取数，B 厂的"AI 产品经理"可能天天调提示词。读 JD 永远比读岗位名重要——这就是为什么本模块的第二页是JD 清单，而不是"岗位百科"。

三、岗位能力画像：建模 · 应用 · 工程 · 产品 ​

把七类岗位放进四个维度的坐标系，一眼就能看出它们的性格差异。四个维度定义为：

            建模（预训练 / 微调 / 对齐 / 效果优化）
                      ▲
                     /|\
                     │
      产品 ──────────┼────────── 工程
 （需求定义 /        │         （系统 / 部署 / 数据管道 /
  评估 / 沟通）      │          Infra / 成本）
                     │
                    \|/
            应用（Prompt / RAG / Agent / 场景落地）

各维权重用 1–5 表示（1 = 基本不需要，5 = 岗位核心能力）：

岗位建模应用工程产品岗位性格
大模型算法工程师5231科学家型
RAG/Agent 应用工程师1542应用+工程型
Prompt 工程师1523应用+产品型
AI 产品经理1315产品型
AI Infra 工程师（推理优化）1251工程师型
数据标注/评估工程师2342数据+工程型
AI 安全工程师2333安全+治理型

用这张表怎么选

不要只盯"哪行数字最大"，要看哪一列你能接受长期深耕：建模强的人耐得住调参的枯燥，工程强的人享受系统稳定跑起来的踏实，产品强的人需要站在用户视角获得成就感。把"我更愿意长期做哪类工作"排在"哪个岗位更热门"前面。

四、岗位与本站知识映射表 ​

下表把每个岗位需要掌握的知识，精确映射到本站页面。这是本页最实用的一张表——定位岗位之后，顺着"必读页面"列逐个打卡，就是你的专属学习路径。

岗位必读页面（按优先级）为什么是这几页
大模型算法工程师大语言模型（LLM） → Transformer 与注意力机制 → 微调与 PEFT → 对齐：RLHF 与 DPO → LLM 评估与基准训练与对齐岗的知识主干；评估是入职后每天的日常
RAG/Agent 应用工程师检索增强生成（RAG） → AI 智能体（Agent） → 向量数据库与语义检索 → 从零搭建 RAG 应用 → 从零开发一个 Agent应用岗的核心命题就是"把 RAG 和 Agent 做对"
Prompt 工程师提示词工程 → 提示词实战手册 → LLM 评估与基准 → 搭建一套 LLM 评估提示词的价值必须靠评测来证明，两者缺一不可
AI 产品经理什么是 AI 热门概念 → 提示词工程 → LLM 评估与基准 → 检索增强生成（RAG）先建全貌，再学"怎么衡量效果"，最后懂技术边界
AI Infra 工程师（推理优化）推理优化与量化 → 部署与推理优化实战 → Transformer 与注意力机制 → 大语言模型（LLM）KV Cache、量化、批处理全建立在架构理解之上
数据标注/评估工程师LLM 评估与基准 → 搭建一套 LLM 评估 → 检索增强生成（RAG） → 数据集与工具档案数据岗的标尺与数据源都在这里
AI 安全工程师AI 安全与治理 → 对齐：RLHF 与 DPO → LLM 评估与基准 → 大语言模型（LLM）安全是"对齐失败时的守门员"，必须懂对齐

跨岗位的公约数

无论哪个岗位，Python 生态与术语表都是默认技能；常见陷阱与反模式是所有人动手前的"避坑清单"。先把公约数补齐，再按表格走专精路线。

五、市场需求趋势：会用大模型正在成为通用技能 ​

以下趋势基于截至 dataAsOf（2025-06）的公开 JD 观察与行业报告，属于方向性判断而非精确统计，引用前请以最新信息复核。

1. 『会用大模型』从加分项变成通用技能 ​

与前几年不同，2025 年的大模型关键词不再只出现在"大模型岗"里——普通算法岗、数据岗甚至产品岗的 JD 都开始写"熟悉主流大模型应用"。这带来两个后果：

  • 通用技能化：会调 API、会搭一个简单 RAG、会写提示词，正在成为"人人会用"的办公与工程技能，像当年的 Office 一样下沉；
  • 差异化上移：当人人都会用大模型时，简历的区分度从"会不会用"转移到"用得多深、跑得多稳、量化得多清楚"——评估能力、成本意识、端到端落地能力成为新的分水岭。

2. 垂直岗位分化：训练 vs 应用 vs 基建三条线 ​

"大模型岗位"这个笼统说法正在分裂成三条差别巨大的职业线：

职业线代表岗位门槛供给未来判断
训练线预训练/对齐研究员极高（大规模训练/顶会）少集中在少数基础模型团队，竞争激烈但护城河深
应用线RAG/Agent 工程师、AI 产品经理中（会用+工程+评测）多岗位量最大，随技术平台化还会继续膨胀
基建线推理优化、MLOps、数据/评估工程中高（系统工程）中需求上升最快，因为"模型人人能调，跑得稳跑得省的人稀缺"

3. 给求职者的三个方向性判断 ​

  1. 别把自己锁死在一个岗位名上。JD 名会漂移（"NLP 工程师"→"大模型应用工程师"→"Agent 工程师"），技能组合才是常量。把RAG、Agent、评测、推理优化四条技能线各掌握到"能动手、能讲透"，就立于不败之地。
  2. 评估能力是最被低估的护城河。当生成能力趋同，评测、数据、场景适配成为差异化所在——这也是数据/评估岗位上升的逻辑。详见LLM 评估与基准。
  3. 安全与治理是长期确定的方向。模型越普及，AI 安全的就业需求越刚性；它目前人才供给远小于需求，且对技术背景要求相对友好。

六、使用本模块的路径 ​

确定目标岗位之后，按四步走完本模块。每步的产出物与用时参考：

步骤页面产出物建议用时
① 看 JDJD 清单圈定 2–3 个目标岗位，拆出硬性要求与加分项1 天
② 拆知识点JD 知识点拆解个人"会/不会/半会不会"清单 + 补课优先级1–2 天
③ 对标简历能力对标：简历该突出什么按 JD 重写后的项目经历2–3 天
④ 刷题面试题库高频考点自测 + 答题框架面试前一周

使用顺序是主线，不是选项

四页按 "JD → 知识点 → 简历 → 刷题" 串成主线，上一页的产出是下一页的输入。跳着读会损失大半价值——尤其不要第一天就冲进面试题库刷题，没有前两步的定位，刷题只是感动自己。

七、延伸阅读 ​

站内继续读

参考资料 ​