外观
JD 清单：国内外大厂在招岗位
这份清单回答一个非常具体的问题：此刻打开招聘网站，AI 热门概念领域在招的岗位，到底在要求什么？
先说清楚边界。本文不搬运任何一份真实 JD 的原文，也不是实时抓取——JD 是流动的，今天在招的岗下个月就可能冻结。本文提炼的是 2023–2025 年间国内外大厂公开 JD 中围绕 AI 热门概念反复出现的技能组合与岗位形态，每类给出 2–3 份基于公开信息归纳的示例 JD，供你学习对标。你要带走的是一个可复用的分析框架，而不是一份会过期的岗位名单。
关于数据时点与免责声明
本文基于撰写时点（dataAsOf: 2025-06）前后，各公司官方招聘网站与招聘平台（脉脉、BOSS 直聘、猎聘、LinkedIn 等）上公开可见的岗位描述进行归纳。所有 JD 示例均为"提炼共性后的示意性描述"，不构成任何公司当前在招岗位的保证，也不指向任何特定公司或特定职位。具体岗位、地点、编制与要求请以官方招聘页实时发布为准。
一、如何读这份清单
1. 岗位名会漂移，技能组合才是常量
先看一个真实的岗位名漂移现象：2021 年，各家团队在招"NLP 算法工程师"；2024 年起，同样的部门开始挂"大模型应用工程师""RAG 工程师""Agent 工程师"。
同一个团队，岗位名四年间的演变（示意）：
2021 NLP 算法工程师 / 搜索算法工程师
2022 算法工程师（大模型方向）
2024 大模型应用工程师 / LLM 算法工程师
2025 RAG 工程师 / Agent 工程师 / 多模态算法工程师
技能内核变化不大：Python + Transformer + LLM 应用 + 工程化
岗位名却一直在换。读 JD 的第一原则：把岗位名翻译成"技能向量"，而不是背岗位名。RAG 应用工程师、大模型应用工程师、AI 工程师 三个岗位名可能来自同一个组，技能要求有七成重叠；而两个同名"大模型工程师"，一个在基础模型团队、一个在业务技术团队，要求可能完全不相干。
2. 区分「硬性要求」与「加分项」
几乎所有 JD 都长成两段：一段写"职位要求"，一段写"加分项 / 优先条件"。
| 硬性要求（职位要求） | 加分项（优先条件） | |
|---|---|---|
| 实际含义 | 过了这条线才会进面试 | 简历里有就加分，没有一般不卡 |
| 典型内容 | 学历、年限、必会语言与框架 | 领域经验、论文、竞赛、开源贡献 |
| 卡人逻辑 | 过滤器：不符则直接筛掉 | 排序器：在通过者里拉开差距 |
| 求职者策略 | 逐条对照，缺一不可 | 当"差异化素材"，有一两条能讲出故事即可 |
判断硬性 / 加分的三个信号
- 看措辞："熟练使用""精通""具备 X 年以上"多为硬性；"有 XX 经验者优先""加分项"为加分。
- 看数量：硬性要求通常不超过 5 条且彼此正交；一个 JD 列了 12 条硬性要求，说明它其实是"理想画像"，真实门槛比纸面低。
- 看岗位类型：校招 JD 硬性要求少而宽（考基础），社招 JD 硬性要求多而窄（考匹配度）。
3. 这份清单的正确用法
① 圈定 2–3 个目标岗位 → 从本文第二~七节选与背景最接近的
② 对照知识点拆解打钩 → 用 [JD 知识点拆解](/career/knowledge-map) 逐条标注
会 / 不会 / 半会不会
③ 生成补课清单并排优先级 → 硬性要求里的"不会"排第一优先级
加分项里的"半会不会"排第二这套"JD 倒推学习"的完整方法论见学习路径，把岗位要求转成可执行的复习计划，就是它的主线。
二、大模型算法工程师（预训练 / 微调 / 对齐）
岗位概述：负责大语言模型的能力建设，是"造模型"的一类。国内大厂的基础模型团队、研究院与开源团队常年挂这类 JD，分预训练、指令微调（SFT）、对齐（RLHF/DPO）三个子方向。硬性门槛普遍高于应用岗。
JD 示例 1：大模型算法工程师（对齐方向）
| 维度 | 内容 |
|---|---|
| 岗位 | 大模型算法工程师（对齐 / RLHF 方向） |
| 公司类型 | 大厂基础模型团队 / 研究院 |
| 职责 | 构建对齐数据管道；实现并调优 RLHF/DPO 训练流程；设计偏好数据采集与质检规范；参与模型安全性与可控性评测 |
| 要求关键词 | 精通 PyTorch；熟悉微调与 PEFT与对齐：RLHF 与 DPO；了解 PPO 原理；有大规模训练经验优先 |
| 对应本站页面 | 微调与 PEFT · 对齐：RLHF 与 DPO · LLM 评估与基准 |
JD 里的黑话翻译：「熟悉 RLHF/DPO」= 能讲清"奖励模型怎么训、PPO 为什么贵、DPO 简化了什么"；「有对齐经验优先」往往是加分项而非硬门槛——对齐方向 70% 的工作是数据工程，不是算法，投递时可以突出你的数据与评测能力。
JD 示例 2：大模型算法工程师（微调 / 垂类适配）
| 维度 | 内容 |
|---|---|
| 岗位 | 大模型算法工程师（行业微调） |
| 公司类型 | 金融 / 医疗 / 法律等行业大厂或 AI 公司 |
| 职责 | 基于开源基座模型做垂类指令微调；构造领域指令数据；建立领域评测集并持续迭代；配合推理优化降低部署成本 |
| 要求关键词 | Python；PyTorch；微调与 PEFT（LoRA/QLoRA）；评测与基准；领域数据理解 |
| 对应本站页面 | 微调与 PEFT · 大语言模型（LLM） · 搭建一套 LLM 评估 |
JD 里的黑话翻译：「精通 LoRA」= 能讲清低秩假设、rank 怎么选、LoRA 与全参微调的权衡，以及"为什么 LoRA 参数少却有效"；「熟悉评测」= 能设计领域评测集、会做人工评估 vs 模型评估的成本权衡，而不是只会跑 MMLU。
JD 示例 3：大模型算法工程师（预训练方向，高级）
| 维度 | 内容 |
|---|---|
| 岗位 | 大模型算法工程师（预训练，资深） |
| 公司类型 | 头部云厂商 / 明星创业公司 |
| 职责 | 参与百亿至千亿参数模型预训练；优化数据配比与课程学习策略；参与分布式训练框架优化与故障恢复 |
| 要求关键词 | 大规模训练经验（千卡级）；Transformer 与注意力机制深入理解；Megatron/DeepSpeed；数据工程 |
| 对应本站页面 | Transformer 与注意力机制 · 大语言模型（LLM） · 推理优化与量化 |
JD 里的黑话翻译：「参与千卡级训练」= 真刀真枪的硬门槛，几乎只对资深/博士开放，应届生别拿它当对标目标；「数据配比」= 高质量数据比例、去重、课程学习的组合拳，是预训练岗 JD 里最被低估的职责。
大模型岗的"伪门槛"要会甄别
大模型岗 JD 往往写得最"吓人"（RLHF、千卡训练、Agent 框架），但仔细看会发现大部分写的是加分项。真实分布是：预训练岗才真的需要大规模训练经验；微调/对齐岗的核心工作往往是数据与评测；应用落地岗只需要"会用模型 + 会评测 + 会工程"。判断方法：看岗位所属组织——基础模型团队 vs 业务技术团队，前者要训练能力，后者要应用能力。
三、RAG 应用工程师
岗位概述：把通用模型 + 检索做成企业知识库问答、AI 搜索、客服等产品。2023 年至今需求量大、岗位多，是应用线的主力。核心命题是"把 RAG 的每个环节做对并能量化评估"。
JD 示例 1：RAG 应用工程师（企业知识库）
| 维度 | 内容 |
|---|---|
| 岗位 | RAG 应用工程师（企业知识库方向） |
| 公司类型 | 大厂内部效能 / 中大型企业数字化部门 / AI 创业公司 |
| 职责 | 搭建企业文档检索问答系统；设计文档解析、chunk 切分、Embedding、重排全链路；建设 RAG 评测集；优化召回率与回答准确率 |
| 要求关键词 | 检索增强生成（RAG）全链路；向量数据库与语义检索；Python；LangChain/LlamaIndex 或自研管道；评测意识 |
| 对应本站页面 | 检索增强生成（RAG） · 从零搭建 RAG 应用 · 向量数据库与语义检索 |
JD 里的黑话翻译：「精通 RAG」= 能讲清 chunking（怎么切、切多大、按什么边界）、embedding 选型、召回与重排（rerank）的区别、混合检索，以及最关键的——怎么评估（检索质量命中率 + 生成质量引用率）；「熟悉向量数据库」= 懂相似度计算方式、索引类型（HNSW 等）、元数据过滤，而不只是用过某个产品。
JD 示例 2：AI 搜索 / 问答产品工程师
| 维度 | 内容 |
|---|---|
| 岗位 | AI 搜索算法工程师（RAG 方向） |
| 公司类型 | 搜索公司 / 内容平台 / AI 原生应用 |
| 职责 | 优化检索质量与回答引用准确性；实现重排模型；处理长文档与多轮对话场景；建设离线评测与线上指标监控 |
| 要求关键词 | 检索增强生成（RAG）；检索排序经验；LLM 评估与基准；在线指标思维 |
| 对应本站页面 | 检索增强生成（RAG） · LLM 评估与基准 · 常见陷阱与反模式 |
JD 里的黑话翻译：「优化检索质量」= 用命中率（recall@k）、MRR 等指标量化召回与重排；「在线指标」= 引用点击率、答非所问率、留存等业务指标——RAG 岗面试加分的关键是"你不仅有离线指标，还有线上监控闭环"。
JD 示例 3：知识图谱 + RAG 方向
| 维度 | 内容 |
|---|---|
| 岗位 | 大模型应用工程师（知识注入方向） |
| 公司类型 | 企业服务 / 行业知识公司 |
| 职责 | 结合知识图谱与 RAG 提升领域回答准确性；构建实体关系抽取与图查询管道；多跳问答场景优化 |
| 要求关键词 | 检索增强生成（RAG）；知识图谱与知识注入；Python；图数据库经验加分 |
| 对应本站页面 | 知识图谱与知识注入 · 检索增强生成（RAG） · 向量数据库与语义检索 |
JD 里的黑话翻译：「知识注入」= 用 RAG、图谱、微调等手段把外部知识"装进"模型可用的形态，关键词是"结构化 + 可溯源"；「多跳问答」= 需要多步推理才能回答的问题，常考你如何拆解检索路径。
四、Agent 工程师
岗位概述：2024 年后爆发的新岗位，核心是让模型"自己规划、调用工具、完成任务"。JD 里的关键词是 Agent 框架、工具调用、ReAct、任务规划、长流程稳定性。详见AI 智能体（Agent）。
JD 示例 1：Agent 应用工程师
| 维度 | 内容 |
|---|---|
| 岗位 | Agent 应用工程师 |
| 公司类型 | AI 创业公司 / 大厂创新业务线 |
| 职责 | 设计并实现 Agent 工作流；接入工具（API、数据库、浏览器）；实现任务规划、工具调用、结果校验闭环；处理多轮失败重试与兜底 |
| 要求关键词 | AI 智能体（Agent）；Python；Function Calling / Tool Use；ReAct 模式；从零开发一个 Agent 级别的动手能力 |
| 对应本站页面 | AI 智能体（Agent） · 从零开发一个 Agent · 提示词工程 |
JD 里的黑话翻译：「熟悉 ReAct」= 能讲清"推理 → 行动 → 观察"循环、为什么比直接调工具有效、什么时候失效；「Function Calling」= 模型输出结构化工具调用参数，核心是 schema 设计、参数校验与错误处理；「兜底」= 识别 Agent 陷入循环或走偏并安全退出——Agent 岗面试最爱问"你的 Agent 卡死了怎么办"。
JD 示例 2：Agent 平台 / 编排工程师
| 维度 | 内容 |
|---|---|
| 岗位 | Agent 平台研发工程师 |
| 公司类型 | 大厂 AI 平台部门 / 云厂商 |
| 职责 | 建设 Agent 编排与运行平台；提供可视化工作流、工具注册、状态管理与监控；支持多 Agent 协作与并行调度 |
| 要求关键词 | 后端工程能力；AI 智能体（Agent）模式；分布式任务调度；可观测性 |
| 对应本站页面 | AI 智能体（Agent） · 常见陷阱与反模式 · 部署与推理优化实战 |
JD 里的黑话翻译：「编排平台」= 把 Agent 从"单次对话"变成"可运营的系统"：工具注册中心、状态持久化、任务队列、失败重试、审计日志；「多 Agent 协作」= 拆任务、分配、汇总的调度问题，答案要落到工程上，而不是"角色扮演"式的概念。
JD 示例 3：智能体产品 / 具身智能结合方向
| 维度 | 内容 |
|---|---|
| 岗位 | 智能体算法工程师（多模态交互） |
| 公司类型 | 具身智能 / 机器人 / 智能硬件公司 |
| 职责 | 将视觉感知与语言模型结合，构建"看 → 想 → 做"闭环；仿真环境数据生成；模型与真机部署 |
| 要求关键词 | AI 智能体（Agent）；多模态模型；Python；强化学习或模仿学习加分 |
| 对应本站页面 | 多模态模型 · AI 智能体（Agent） · 扩散模型与生成式 AI |
JD 里的黑话翻译：「看 → 想 → 做」= 感知、规划、执行的闭环，是具身智能 Agent 的标准范式；「仿真数据」= 在模拟环境里生成训练数据，因为真机数据贵且危险——这提醒你数据工程能力在 Agent 岗同样重要。
五、AI Infra / 推理优化工程师
岗位概述：让模型跑得快、跑得便宜。2024 年后需求上升最快的岗位之一。JD 关键词：量化、KV Cache、推理框架（vLLM）、部署、成本优化、性能分析。
JD 示例 1：推理优化工程师
| 维度 | 内容 |
|---|---|
| 岗位 | LLM 推理优化工程师 |
| 公司类型 | 云厂商 / 大厂 AI 平台 / 明星创业公司 |
| 职责 | 优化大模型推理延迟与吞吐；实现量化、KV Cache、连续批处理（continuous batching）；建设性能评测基准；支撑业务扩容 |
| 要求关键词 | 推理优化与量化；Python + C++/CUDA；vLLM/TensorRT；Transformer 与注意力机制深入理解 |
| 对应本站页面 | 推理优化与量化 · 部署与推理优化实战 · Transformer 与注意力机制 |
JD 里的黑话翻译：「KV Cache」= 生成阶段复用历史 Key/Value，讲清它为什么省算力、显存开销多大、怎么管理；「连续批处理」= 动态插槽调度，解决"一个长序列卡住整个 batch"的问题；「量化」= INT8/INT4 的原理、精度损失来源与校准方法——详见推理优化与量化。
JD 示例 2：模型部署 / 服务化工程师
| 维度 | 内容 |
|---|---|
| 岗位 | 模型服务化工程师 |
| 公司类型 | 大厂平台部门 / SaaS 公司 |
| 职责 | 模型服务化上线；弹性扩缩容与灰度发布；监控告警与故障定位；多模型资源调度 |
| 要求关键词 | 容器与云原生；Python/Go；部署与推理优化实战；监控与可观测性 |
| 对应本站页面 | 部署与推理优化实战 · 推理优化与量化 · 常见陷阱与反模式 |
JD 里的黑话翻译：「服务化」= 把模型封装成高可用 API，考点是 QPS/延迟预算、超时与重试、显存共享；「灰度发布」= 新旧模型并行、流量按比例切换，考你如何保证"切换前后效果不跳水"——这需要评测与基准的线上化。
JD 示例 3：训练基础设施工程师（偏 Infra）
| 维度 | 内容 |
|---|---|
| 岗位 | 大模型训练基础设施工程师 |
| 公司类型 | 头部云厂商 / 基础模型公司 |
| 职责 | 分布式训练集群建设与调度；故障检测与断点续训；网络拓扑与存储优化；混部与资源利用率提升 |
| 要求关键词 | 分布式系统；GPU 集群；Python + 系统语言；理解大语言模型（LLM）训练流程 |
| 对应本站页面 | 大语言模型（LLM） · 推理优化与量化 · 部署与推理优化实战 |
JD 里的黑话翻译：「断点续训」= 千卡训练几周跑一次，中间挂了从 checkpoint 恢复，考系统设计（状态保存、分布式一致性）；「混部」= 训练与推理任务共享 GPU，考资源隔离与调度。
六、AI 产品经理
岗位概述：定义"AI 能解决什么问题、怎么衡量成功"。JD 关键词：模型能力评估、Prompt 设计、评测体系、成本核算、数据闭环。不需要写模型，但需要懂模型。
JD 示例 1：AI 产品经理（C 端应用）
| 维度 | 内容 |
|---|---|
| 岗位 | AI 产品经理（对话 / 内容生成） |
| 公司类型 | 大厂创新业务 / AI 原生消费应用 |
| 职责 | 定义 AI 对话产品形态；设计 Prompt 与交互流程；搭建效果评测体系；跟踪用户反馈与模型迭代；评估竞品 |
| 要求关键词 | 提示词工程；LLM 评估与基准；数据分析；产品方法论；懂 RAG/Agent 能力边界 |
| 对应本站页面 | 提示词工程 · LLM 评估与基准 · 检索增强生成（RAG） |
JD 里的黑话翻译：「懂大模型能力边界」= 知道什么任务该用模型、什么任务模型做不好，能判断"这个需求是提示词能解决，还是要微调，还是要换方案"；「搭建评测体系」= 把"效果好不好"从感觉变成可复现的流程——这是 AI 产品经理最值钱的技能，详见搭建一套 LLM 评估。
JD 示例 2：AI 产品经理（B 端 / 企业服务）
| 维度 | 内容 |
|---|---|
| 岗位 | 企业级 AI 产品经理 |
| 公司类型 | 企业服务公司 / 大厂 toB 业务 |
| 职责 | 调研客户场景并定义 AI 功能；设计知识库问答 / 流程自动化产品；核算 token 成本与 ROI；推进数据安全与合规方案 |
| 要求关键词 | 需求分析；检索增强生成（RAG）能力理解；成本模型；AI 安全与治理意识；toB 交付经验 |
| 对应本站页面 | 检索增强生成（RAG） · AI 安全与治理 · 提示词工程 |
JD 里的黑话翻译：「token 成本核算」= 把模型调用换算成每用户/每请求的成本，判断商业模式是否成立；「数据安全与合规」= 企业数据不出域、内容合规、可审计——B 端 AI 产品的隐性门槛，也是AI 安全与治理一页的核心。
JD 示例 3：AI 产品经理（平台 / 工具方向）
| 维度 | 内容 |
|---|---|
| 岗位 | AI 平台产品经理 |
| 公司类型 | 云厂商 / 大厂中台 |
| 职责 | 设计模型 API 与开发平台的产品形态；定义定价与配额策略；建设开发者体验与文档；分析模型调用与成本数据 |
| 要求关键词 | 平台产品思维；理解大语言模型（LLM）生态；数据分析；推理优化与量化的成本意识 |
| 对应本站页面 | 大语言模型（LLM） · 推理优化与量化 · LLM 评估与基准 |
JD 里的黑话翻译：「开发者体验」= 文档、SDK、错误信息、调试工具，让开发者"一行代码接上模型"；「配额与定价」= 限流、计费、优先级，考你能否把技术指标翻译成商业规则。
七、多模态算法工程师
岗位概述：处理文本 + 图像 + 语音 + 视频的建模任务，包括多模态理解与生成两个方向。JD 关键词：视觉编码器、图文对齐、扩散模型、跨模态检索、视频理解。
JD 示例 1：多模态理解算法工程师
| 维度 | 内容 |
|---|---|
| 岗位 | 多模态大模型算法工程师（理解方向） |
| 公司类型 | 大厂基础模型团队 / 内容平台 |
| 职责 | 图文/视频理解模型的训练与微调；视觉编码器与语言模型对齐；构建多模态评测集；图文检索与视觉问答 |
| 要求关键词 | 多模态模型；Transformer 与注意力机制；Python/PyTorch；数据与评测 |
| 对应本站页面 | 多模态模型 · Transformer 与注意力机制 · LLM 评估与基准 |
JD 里的黑话翻译：「视觉编码器与 LLM 对齐」= 把图像特征"翻译"成文本特征空间（如 CLIP 式的对比学习），考你理解 Q-Former、Adapter、直接投影等对齐方案的取舍；「多模态评测」= 除准确率外还要看图文一致性、幻觉（模型"看见"了不存在的东西）。
JD 示例 2：图像 / 视频生成算法工程师
| 维度 | 内容 |
|---|---|
| 岗位 | 生成式 AI 算法工程师（图像/视频） |
| 公司类型 | AI 创作工具公司 / 大厂内容中台 |
| 职责 | 基于扩散模型优化文生图/文生视频质量；加速采样与推理；控制生成（ControlNet 类）；建立美学与一致性评测 |
| 要求关键词 | 扩散模型与生成式 AI；图像/视频生成；推理优化与量化；Python/PyTorch |
| 对应本站页面 | 扩散模型与生成式 AI · 图像生成案例 · 视频生成案例 |
JD 里的黑话翻译：「采样加速」= DDIM、DPM-Solver 等减少扩散采样步数，是"质量 vs 速度"的核心权衡；「ControlNet」= 用额外条件（姿态、边缘、深度）控制生成结果，考你理解条件注入机制；「一致性评测」= 评价生成图是否符合文本描述（如 CLIP Score），这是生成岗必备的量化意识。
JD 示例 3：语音多模态方向
| 维度 | 内容 |
|---|---|
| 岗位 | 多模态算法工程师（语音方向） |
| 公司类型 | 语音公司 / 大厂智能硬件 |
| 职责 | 语音识别与合成的大模型化；语音-文本联合建模；端到端对话系统；低资源场景优化 |
| 要求关键词 | 多模态模型；语音技术；Transformer 架构；数据增强 |
| 对应本站页面 | 多模态模型 · 语音 AI 案例 · Transformer 与注意力机制 |
JD 里的黑话翻译：「大模型化」= 语音任务从传统 HMM/Attention 架构迁移到统一 Transformer/LLM 框架；「端到端」= 语音直接到文本/语义，不再串联多个独立模块——多模态融合的经典考题。
八、JD 高频黑话翻译总表
把上面六类 JD 里的"黑话"汇总成一张速查表——面试官写一句话，你该想到三件事：
| JD 原话 | 字面意思 | 面试实际要你能讲出的 |
|---|---|---|
| 精通 RAG | 做过知识库问答 | chunking 怎么切、embedding 选型、召回 vs 重排、RAG 怎么评测 |
| 熟悉 Agent | 用过 Agent 框架 | ReAct 循环、工具调用 schema、失败兜底、长任务稳定性 |
| 精通 LoRA | 微调过模型 | 低秩假设、rank 选择、与全参微调的权衡 |
| 熟悉 RLHF/DPO | 了解对齐 | 奖励模型训练、PPO 为什么贵、DPO 的简化 |
| 熟悉推理优化 | 听过量化 | INT8/INT4 原理、KV Cache、连续批处理、延迟/吞吐权衡 |
| 熟悉向量数据库 | 用过某个向量库 | 相似度度量、HNSW、元数据过滤、chunk 与检索质量的关系 |
| 搭建过评测体系 | 跑过几个指标 | 评测集设计、人工 vs 模型评估、指标与业务目标的映射 |
| 了解多模态 | 看过多模态论文 | 视觉编码器与 LLM 的对齐方式、多模态幻觉、跨模态检索 |
| 熟悉扩散模型 | 用过文生图工具 | 前向/反向过程、采样加速、条件控制、一致性评测 |
| 有数据工程经验 | 处理过数据 | 清洗、配比、去重、质检、数据管道——几乎所有岗位的隐藏硬门槛 |
一句总判断
JD 里每个专业名词，面试都默认你能"讲原理 + 动手 + 说权衡"。字面理解的"用过/听过"在面试里等于没学过。把这张表里任何一行说不透，就回到对应站点页面补课。
九、趋势观察与求职建议
以下观察为截至 dataAsOf（2025-06）的方向性判断，非精确统计。
1. 六个岗位的供需冷暖
| 岗位 | 需求热度 | 供给竞争 | 求职建议 |
|---|---|---|---|
| 大模型算法工程师（预训练） | 中 | 极高 | 门槛在训练规模与论文，多数人不建议作为主目标 |
| 大模型算法工程师（微调/对齐） | 高 | 高 | 用数据 + 评测能力建立差异化 |
| RAG 应用工程师 | 很高 | 中高 | 岗位量大、边界清晰，新手最友好的人场口之一 |
| Agent 工程师 | 高且上升 | 中 | 缺的是"做过真流程"的人，而不是"读过论文"的人 |
| AI Infra / 推理优化 | 高且上升 | 中 | 系统工程背景是硬通货，供需缺口明显 |
| AI 产品经理 | 高 | 中高 | 评测体系 + 成本意识是稀缺技能 |
| 多模态算法工程师 | 高 | 高 | 理解与生成两线分化，选准一条深挖 |
2. 三个值得注意的结构性判断
- 评估能力是跨岗位的稀缺品。几乎每个岗位的 JD 都出现了"评测"相关字眼，但真正能"设计评测集 + 权衡人工与模型评估 + 把指标映射到业务"的人很少。这是最容易弯道超车的技能，入口在LLM 评估与基准。
- 数据工程是隐藏硬门槛。JD 里常不直接写，但"懂数据清洗、配比、质检"几乎决定你入职后第一个月能不能干活。见数据集与工具档案。
- 别只看大厂。大厂 JD 用词规范、分工细，适合用来校准标准；但真正让你拿 offer 的可能是中厂、独角兽或垂直领域公司。标准从大厂来，机会从全局来。
十、延伸阅读
站内继续读
- 模块导读与岗位版图 —— 七类岗位全景与岗位能力画像，先定位再读 JD
- JD 知识点拆解 —— 把本页的 JD 技能词转成个人补课清单
- 能力对标：简历该突出什么 —— 按 JD 重写项目经历，讲出面试官想听的故事
- 面试题库 —— 高频考题与答题框架，最后再自测
- 学习路径 —— 从 JD 和面试题倒推学习的完整主线
- 检索增强生成（RAG） · AI 智能体（Agent） · 多模态模型 —— 应用线三大知识支柱
- 推理优化与量化 · 部署与推理优化实战 —— 基建线两大主干
- 术语表 —— 术语口径统一，避免"半会不会"式理解
参考资料
- 国内公司官方招聘：阿里巴巴（talent.alibaba.com）、腾讯（careers.tencent.com）、字节跳动（jobs.bytedance.com）、百度（talent.baidu.com）、美团（zhaopin.meituan.com）等官方招聘网站
- 海外公司官方招聘：Google Careers（careers.google.com）、Meta Careers（careers.meta.com）、OpenAI Careers（openai.com/careers）、Anthropic Careers（anthropic.com/careers）、Microsoft Careers（careers.microsoft.com）
- 招聘平台：脉脉（maimai.cn）、BOSS 直聘（zhipin.com）、猎聘（liepin.com）、LinkedIn（linkedin.com）——用于观察岗位分布与 JD 用词频率
- levels.fyi —— 海外岗位类型与薪酬量级参考，非官方数据
- Hugging Face 职位页 —— 开源 AI 生态的岗位风向标，常领跑新技术方向
- State of AI Report —— 行业全景报告，含人才市场分析
一条底线
本文所有 JD 均为基于公开信息的归纳示例，不是实时抓取，也不指向任何具体公司职位。一切以官方渠道实时发布的 JD 为准——把你读到的每一份 JD 当成训练数据，本文只是教你怎么读懂它们。