1. 先盘个底现在市面上的AI岗位到底分几类打开招聘软件搜AI结果能吓你一跳——算法工程师、大模型部署工程师、AI应用开发、AI测试工程师、AI产品经理、AI训练师、提示词工程师、AI短剧编导、AI绘画师……头衔五花八门薪资差距能从月薪几千拉到年薪百万。更别说热搜上那些词AI agent、AI编程、AI大模型本地部署、AI短剧制作全过程、写小说的AI软件、AI幻觉每一个热词背后都藏着一类正在被市场重新定义的岗位。我身边不少朋友被这阵仗搞得很焦虑问得最多的就是我不会写模型代码是不是就进不了AI这行结果完全不是那么回事。这波以大模型为核心的AI浪潮最大的特点就是把岗位的颗粒度打碎了。以前一个AI工程师可以概括一切现在至少分裂成六条线硬核算法与训练、部署与推理、应用开发与Agent、内容生产、测试与数据、产品与运营。这六条线对技能的要求、对学历的依赖、对经验的态度完全不同混在一起讨论纯属自己吓自己。打个比方传统汽车行业不会把发动机工程师和4S店销售顾问统称为造车的人AI行业同理。大模型是发动机但把发动机装进不同车壳子、卖给不同人群、保证上路安全的人都有各自的专业门槛和价值。所以这篇文章我不打算堆职位JD而是结合当前热词把岗位家族拆开讲清楚每类岗位到底在做什么、需要什么能力、适合什么人以及最容易被忽略的坑。下面先给一张总表后续每一类再展开细说。岗位大类代表岗位核心产出典型热词映射模型算法线算法工程师、大模型训练/微调工程师模型、训练配方、微调数据AI大模型、AI幻觉部署推理线推理优化工程师、本地部署工程师可上线的服务、降低推理成本AI大模型本地部署配置应用开发线AI应用开发、Agent工程师、工作流搭建产品功能、自动化流程、智能体AI agent、AI工作流、AI应用开发内容生产线AI短剧编导、AI绘画师、AI写作编辑视频、图文、小说、漫画AI短剧制作全过程、AI漫剧、写小说的AI测试数据线AI测试工程师、数据标注师、评测工程师质量报告、数据集、评测体系AI测试开发、AI幻觉产品与培训线AI产品经理、AI培训师、提示词顾问需求方案、课程、运营增长教别人用ai赚翻了看清楚这张表你再去看那些热词会发现它们不是孤立的技术词而是每条岗位线的人才需求信号。2. 硬核技术线从调模型到本地部署算法岗的真实分工2.1 炼丹师的日常预训练、微调与RLHF很多人以为AI算法工程师就是天天写Transformer其实在头部大厂和开源社区这个岗位已经拆得比火锅底料还细。预训练阶段要管数据清洗、语料配比、集群训练稳定性微调阶段要设计指令数据、做LoRA之类的参数高效微调对齐阶段要处理RLHF人类反馈强化学习或者说现在更流行的DPO把模型从会说话调教成会办事、懂分寸。这个岗位最硬核也确实最爱卡学历主流团队基本是硕博起步。但我要补一句现在开源生态让准炼丹师有了练手机会不少公司招的其实是微调工程师你不需要从头训练百亿参数模型但你要会跑通微调流程、读写训练数据、盯得住loss曲线。市面上那些AI大模型本地部署配置的热搜本质就是微调和推理技能的民用化版本。2.2 部署与推理工程师本地部署到底在配什么热词里有一条AI大模型本地部署配置这背后是个实实在在的岗位缺口。模型训练完得有人把它变成服务否则只是个磁盘里的权重文件。部署工程师干的活包括选型推理框架vLLM、Ollama、llama.cpp这类、做量化压缩FP16转INT8、INT4、估算显存和吞吐、配置GPU集群或混合推理、写API网关和限流策略。举个例子一个7B参数的模型FP16精度跑起来大约要14GB以上显存量化到INT4之后大概能压到4-5GB才能塞进消费级显卡或者边缘设备。这中间的每个数字都是钱——显存贵的很。所以部署岗的核心指标就三个延迟、吞吐、单次推理成本。你能把这三项压下来老板就愿意给你开高薪。这个岗位相对算法岗来说对工程能力要求高于数学能力。你懂Linux、懂Docker、会看NVIDIA-smi再补上推理框架的知识就有机会往里切。很多做传统后端和运维的朋友转AI第一站就是这里。2.3 AI编程工具正在重写开发岗的技能树热词里有一串和编程相关的AI编程、AI编程提示词、pycharm ai插件、typesafe ai、spring ai。很多人没意识到这串词说明会写代码和会用AI写代码已经分化成了两种岗位能力。现在的Java后端工程师面试被追问Spring AI这种生态框架的概率越来越高Python开发者用PyCharm时Copilot类的AI插件几乎成了装机标配。于是出现了一个新现象普通开发者不再满足于能跑通接口而是要学会给AI写高质量提示词把需求拆成AI能理解的任务再对AI生成的代码做审查和纠错。这其实就是AI编程提示词热词背后的岗位价值。我给想做这行的朋友一个实在建议大模型帮你把CRUD代码生成的七七八八时你的核心竞争力就不再是会写而是会判断。判断AI写的代码有没有安全漏洞、有没有性能坑、符不符合项目架构这个能力短期AI替代不了。所以别因为AI编程火了就放弃基本功恰恰相反基本功扎实的人在AI时代更值钱。3. 应用落地线Agent工程师、AI工作流与垂行业务开发3.1 Agent工程师给模型装上手和记忆如果你关注过AI agent这个热词会发现它已经从一个概念变成了岗位名称。Agent工程师干的事本质上是让大模型不再停留在你问我答而是能自己拆解任务、调用工具、读取文档、执行操作最后交付结果。我去年带过一个项目给财务部门做报销审核Agent。它不是简单拿发票图片喂给模型识别而是要做一整套循环模型先读取报销单和发票信息然后调用OCR工具提取金额再查企业内部系统核对预算遇到异常触发人工介入流程最后生成审核记录。这个过程中模型需要记忆前几步的判断结果需要调用外部工具需要决策下一步动作。写这套东西的工程师懂的不只是提示词。你得设计工具调用的接口规范得考虑上下文窗口不够用时的记忆压缩策略还得处理模型判断错了怎么办。所以Agent工程师的典型背景是后端开发加不少AI调优经验而不是纯算法。下面是我常用来给新人讲Agent概念的最小伪代码帮大家理解它的工作逻辑def run_agent(task): # 1. 大模型把任务拆成可执行步骤 steps llm.plan(task) # 2. 循环执行每步可以调用工具 for step in steps: output call_tool(step.tool, step.params) memory.append(output) # 3. 汇总所有中间结果生成最终输出 result llm.summarize(memory) return result别小看这个模式。它能跑通不难难在稳定。一个工具调用失败、一次模型幻觉整套流程就断了。所以懂容错设计、重试机制、人工兜底的工程师在这个岗位上非常吃香。3.2 AI工作流从提示词到自动化流水线跟AI agent经常一起出现的是AI工作流。热词里那句别人被琐事缠身你用千问ai代劳专注核心nn大概是工作被截断了其实就是工作流概念的大众化表达。工作流和Agent的区别我一般这么跟人解释Agent是有自主决策能力的实习生你交代个目标他自己想办法工作流更像流水线你把提示词、工具、判断条件和第三方接口按固定顺序接好每份输入都走同样的工序。比如抓取网页文章→用模型改写→自动配图→发布到公众号这就是一个典型的内容工作流。现在很多公司专门招AI工作流搭建师或者在工作流平台上找专家尤其是有营销、运营、客服背景的人。这类岗位对写代码的要求不高更看重你能不能把业务流程翻译成系统的步骤。用到的工具无非是n8n、Coze、Dify这类可视化编排平台再配合各家大模型的API。门槛不高但很吃业务理解力——你如果懂业务又愿意学这些新工具竞争力不比写代码的人差。3.3 垂直行业的AI应用开发岗专利、EDA、科研、旅游再看几个看似不相干的热词专利相关链接(ai辅助)、立创eda ai助手、写科研论文最好用那个ai大模型、ai旅游。这些词放在一起其实指向同一类岗位垂直行业AI应用开发。专利行业现在已经有AI辅助工具帮代理人做专利检索、对比文件分析、权利书初稿撰写懂专利法又懂大模型应用的人非常稀缺EDA领域立创EDA都在往AI助手方向走这类嵌入式AI应用需要既懂硬件设计流程又懂模型调用的复合人才科研领域关于用哪个大模型写论文更好的问题被反复搜索背后是科研工具产品公司在抢着做学术写作辅助产品这里催生的是AI科研工具产品经理/开发岗位旅游行业更不用说智能行程规划、AI解说、多语言客服都是应用开发的好场景。我的判断是未来三五年AI岗位增量最大的不是又招了一批算法工程师而是每个行业都在招懂本行业又懂AI的人。如果你是做专利、做硬件、做科研、做旅游出身的与其焦虑自己被AI替代不如研究怎么用现成的大模型API做一个小工具解决本行业的痛点。这既是个人转型的路也是很多小团队创业的路。4. 内容赛道AI短剧、AI视频、AI小说背后养出的新工种4.1 AI短剧制作全过程的岗位拆解AI短剧制作全过程AI漫剧能上热搜说明这不是小圈子自嗨而是已经形成了完整的生产链条。我认识一个做AI短剧的团队总共六个人月产四部短剧就是靠岗位拆解实现的。这条内容生产线上的角色包括AI编剧写短剧剧本、拆解成镜头脚本、AI绘画师用绘画类AI生成分镜图和主要角色立绘、AI视频生成师用图生视频工具把静态画面变成动态镜头、AI配音师用TTS/声音克隆工具做角色配音、剪辑与后期把素材按节奏剪接到一起、加字幕音效。在这条线里最核心的岗位是AI编导因为AI能帮你生成画面和声音但叙事节奏、人设一致性、观众爽点设计还是得靠人。这里必须提醒一句声音克隆类工具涉及肖像权和声音权商用前一定要拿到授权别为了省事惹上法律纠纷这是我在行业里见过最多人踩的坑。另外各大平台对AI生成内容都有标识要求规范的团队都会在发布时做相应标注这不只是合规问题也是长期运营的诚信问题。4.2 写小说、科研论文辅助、自媒体内容岗的提示词功底写小说的AI软件写科研论文最好用那个ai大模型这两个热词把内容岗分成两个极端。写小说这类创意内容AI的定位是灵感伙伴而不是代笔枪手好的小说编辑会用AI做世界观设定、人物弧光梳理、卡文时的情节续写但文学性的语言和情感表达还得真人打磨科研论文辅助则完全不同科研写作讲究严谨、可溯源AI更适合做文献综述整理、语法润色、摘要改写而不是帮你编数据写结论——学术不端的红线不能碰期刊政策也普遍要求使用生成式AI时主动披露。这两类内容岗对AI工具的底层要求是一致的提示词功底。不会写提示词的人用AI写出来是空洞的官话套话会拆解需求、会设定角色、会给约束条件的人AI产出质量完全不一样。所以我常说内容行业的AI写作编辑核心竞争力不是会用哪个工具而是能把模糊需求翻译成模型能理解的清晰指令。4.3 教别人用AI为什么能成为岗位热词里最有趣的一条是教别人用ai赚翻了。看着像标题党但确实是真实存在的一类岗位AI培训师、AI工具科普博主、企业AI应用教练。为什么这个岗位能成立因为工具和大众之间存在巨大的信息差。很多中小企业老板知道AI有用但不知道能用到哪里很多职场人想用AI提效但连怎么把一段会议录音变成纪要都不会。能把AI工具讲得让普通人听得懂、用得起来的人就是稀缺资源。于是出现了卖课的、做社群的、给企业做内训的本质上都是在卖信息差服务。我不建议你被赚翻了这种说法带偏但确实可以把它当成一个职业方向认真评估。如果你在某个行业沉淀了很久同时又愿意下功夫研究AI工具你会发现行业AI培训这条路比单做技术更顺因为你懂用户痛点。当然要注意这个领域的口碑很脆弱卖课可以但要交付真东西割韭菜割不长久。5. 质量与合规AI测试工程师、幻觉治理和数据标注的真实工作量5.1 AI测试工程师到底测什么AI测试AI测试开发AI测试工程师这几个热词频繁出现在招聘平台说明市场终于意识到AI产品也得有人测试。但AI测试跟传统软件测试完全不一样传统测试有明确的预期结果AI测试的输入输出都是概率性的同一个问题换种问法答案可能天差地别。我接触到的AI测试工程师日常工作覆盖五个维度功能正确性答得对不对、一致性同一个问题多问几次差异大不大、安全性会不会生成危险或违规内容、鲁棒性换种表达/带点噪音还能不能正常工作、性能与成本响应速度和单次调用成本。每一条都不是点点鼠标就能测完的需要设计评测集、写自动化脚本、分析失败案例。这里有个很有意思的热词叫AI幽默感排行——听起来像娱乐内容其实是评测思路的一种延伸。有人在用标准化的方式测不同模型讲笑话的能力、说段子的节奏感。这说明AI评测正在从对不对扩展到好不好、像不像人未来模型行为评测师很可能会成为独立岗位职业前景广阔。5.2 AI幻觉不是bug是评测与治理难题AI幻觉这个词能上热搜说明大家已经被大模型一本正经地胡说八道伤害过太多次了。所谓幻觉就是模型生成的内容表面上流畅合理实际上与事实不符。它不是偶发bug而是大模型基于概率生成文字的结构性特征。治理幻觉是谁的活首先是算法工程师的活通过更好的训练数据和对齐手段降低幻觉率其次是数据工程师的活给模型接上知识库做检索增强生成RAG让回答有据可依最后是测试和产品团队的活负责在用户接触模型之前拦截高风险答案。所以AI幻觉已经从技术论文里的术语变成了实打实的岗位KPI——你可以把降低幻觉率写进AI测试工程师和RAG工程师的绩效考核里。跟幻觉配套的还有一个热词叫降AI率工具。我理解它的真实需求是内容从业者希望AI产出的东西少一点机器味、多一点人味。这个能力不是靠拿去AI痕迹的擦边工具实现的而是靠更好的提示词设计、人工改写和真实经验注入。真正有竞争力的内容工作者应该把去AI味理解成提升原创度和表达自然度而不是造假。5.3 数据标注与RLHF的隐形岗位很多人不知道ChatGPT那种回答得体、懂得拒绝的能力背后站着大量数据标注师。RLHF流程里人类需要对模型的多个回答排序告诉它哪个更好、为什么更好安全对齐里需要标注大量违规样本教模型识别边界垂直领域微调里需要专家级的人写领域问答对。这类岗位在招聘市场上可能叫数据标注员AI训练师数据专家门槛差异极大。普通标注入行门槛低但天花板也低真正赚钱的是领域专家标注比如让医生标注医疗问答、让律师标注法律文书、让资深编辑标注优质长文。这类岗位按小时计费可以相当可观而且非常适合有专业背景但暂时不想转码的人。AI发展越往上走高质量数据越值钱这行至少在可见的三五年内不会消失。5.4 内容自然度与内容安全新岗位的长期价值前面讲了测试和标注其实还有一类容易被忽视的岗位AI内容安全与合规岗。大模型产品上线前要做内容安全评测产品运营中要处理用户反馈里的风险内容新出的生成式AI管理办法要求服务提供者履行内容审核责任。所以几乎所有做大模型产品的公司都要养懂内容安全策略、懂评测方法的人。这类岗位的坑在于很多人误以为它只是审核员干的是机械劳动。其实高级的安全工程师要设计评测集、建设红队测试流程、制定分级处置策略这需要很强的逻辑能力和对风险的敏感度。我建议有法律、传播、社会学背景的朋友多看看这个方向AI行业对懂人、懂社会、懂规则的人才需求会长期存在。6. 转行/入行怎么选技能地图、薪资参考和四条避坑建议6.1 先问自己三个问题面对这么多AI岗位最忌讳的是跟风。看到AI编程火就去学Python看到AI短剧火就去学视频生成最后啥都学了个皮毛。我一般建议想做AI的人先回答三个问题。第一个问题你现在的优势是偏逻辑还是偏表达偏逻辑的人可以走算法、部署、测试、Agent开发这类技术线偏表达的人可以走内容、产品、培训、运营这类应用线。第二个问题你愿意花多长时间补技术底子愿意投入半年以上死磕代码的可以冲技术岗不想从头造轮子的可以学现成工具加业务理解走应用岗位。第三个问题你所在行业有没有AI落地的具体场景比如你做财务就可以研究发票识别加审核Agent你做设计就可以研究AI绘画工作流。带着行业场景入行远比裸辞学三个月Python再投简历强。6.2 不同背景的入行路线速查我把这些年看到的真实转型案例整理成一张路线图供不同背景的人对照参考。你的背景推荐切入方向代表岗位最短准备周期计算机/软件工程AI应用开发、Agent开发、测试开发AI应用开发工程师、AI测试工程师3-6个月补大模型API与Agent框架后端/运维/DevOps部署推理、本地部署优化大模型部署工程师2-3个月补推理框架与量化数学/统计/研究生算法、微调、评测体系建设算法工程师、评测算法工程师6个月以上补深度学习与大模型训练媒体/中文/艺术内容生产、提示词、AI培训AI编剧、AI视频师、AI培训师1-3个月掌握主流生成工具运营/产品/业务AI产品经理、工作流搭建AI产品经理、AI工作流搭建师2-4个月补技术术语与产品认知法律/财会/医疗等专业垂直领域数据与知识工程领域专家标注、RAG知识库搭建边学边做以场景带进度这张表里最想强调的一行是最后一类专业背景越硬越不需要跟程序员抢饭碗因为你的行业知识就是壁垒。我见过一个护士转型做医疗问答数据专家比十个只会写代码的人更受AI公司欢迎。6.3 薪资、岗位成熟度与城市差异聊薪资必须说明以下都是行业观察和经验参考不是标准答案不同公司、不同城市差异极大别拿一个数字当真理。从整体行情看算法岗薪资中位数依然最高但竞争也最激烈而且学历内卷严重部署和测试岗的薪资介于普通开发和算法之间但需求量大性价比高应用开发和Agent岗起步薪资可能不如算法但成长空间大尤其是带行业经验的候选人。城市差异也很明显。一线城市的大模型公司集中在算法和基础研发岗新一线强二线城市反而是AI应用岗位的洼地很多工厂、医院、政务项目在招AI实施工程师或AI项目经理这类岗位不那么光鲜但胜在真实需求稳定。如果你不是非头部大厂不去的人完全可以考虑在二线城市靠行业AI的组合打出差异化。6.4 四件最容易被忽视的事最后给四条避坑建议都是我自己或者身边人真实踩过的。第一条别只学工具要学解决问题的框架。工具三个月就换代但拆解需求→设计流程→评测效果→迭代优化这个框架永远有效你学的是后者而不是前者。第二条警惕打着AI旗号的灰产岗。有些招聘写无限制对话无审核生成听着很自由实际上游走在规则之外随时可能出问题。正经的AI岗位讲的是安全合规、内容治理和负责任的生成别拿自己的职业生涯开玩笑。第三条一定要攒作品集。AI岗位的面试官最吃这套把你做过的Agent项目、训练过的模型、跑通的部署方案、写过的提示词集整理成可见的成果。哪怕是自学的只要作品能说明你解决问题的能力HR就会多看你一眼。第四条别忽视设备和成本问题。很多想学本地部署和微调的人第一步就卡在显卡上。如果预算不够完全可以用云GPU按小时租来练手学习阶段不一定要买卡。同样的钱花在学习上的回报远大于花在硬件上。说到底AI岗位的门票从来不是某个固定学历或某门固定语言而是能解决真实问题这个朴素标准。我自己这些年看过太多人从完全不相干的行业切进来有做财务的转去做RAG知识库有做老师的转去做AI培训有做设计的转去做AI短剧。他们共同的特点是没有被AI很高深吓退而是找准自己的优势坐标先动手做一个小而完整的东西出来。如果你现在还在观望最简单的起步就是把一个你天天用的工作流试着用AI重做一遍——做完这一个你就已经领先那些只看不练的人一大截了。
