算法 / 研究
改进模型本身:训练、调优、写论文、刷 SOTA。要扎实的机器学习、数学、论文复现能力,门槛最高,多要研究生背景。岗位名常见"算法工程师""研究员"。
01AI 岗大致五类FIVE FAMILIES
笼统的"AI 岗"其实分好几类,要的能力差别很大。按离模型的远近,大致五类:
一
二
应用 / 工程(需求量最大)
把现成模型接进真实产品:后端、API、检索、部署、性能与成本。核心是工程能力,不需要你会训模型。岗位名常见"大模型应用开发""LLM 工程师""AI 后端"。这是给大多数科班/转码同学最现实的入口。
三
Agent 开发(新兴)
围绕 Agent 做编排、工具接入、评测、上下文与权限——也就是这个站研习线讲的那些。既要工程,也要"边界/证据"的判断力。岗位还在成形,机会与不确定并存。
四
数据
数据清洗、标注、评测集构建、数据 pipeline。是模型和应用的地基,常被低估但很关键。对入门者是门槛较低的切入点之一。
五
产品 / 运营 / 内容(不一定写代码)
定义"做什么、给谁、边界在哪",或负责增长、内容、社区。要的是懂 AI 能做什么/不能做什么的判断力,不是写代码。文科、转行的人常从这里进。详见第 04 节。
02JD 怎么读READING A JD
一份 JD 别从头读到尾就慌,拆成三块看:
- "岗位职责"——判断它属于上面哪一类(在训模型?接应用?做数据?定产品?)。这决定它要的核心能力。
- "任职要求"(硬门槛)——学历、语言、必须会的技能。这里是筛人的线,差太多别硬投。
- "加分项"(软门槛)——方向性偏好。缺一两个不致命,反而是告诉你"该往哪补"。
一个实用技巧:把"任职要求"逐条对照自己,能对上的写进简历(用 F-020 的可追问写法),对不上的就是你要补的清单。JD 是最好的学习大纲。
03按背景对号入座WHERE YOU FIT
科班
CS / 软件工程
应用/工程是最稳的主场;想冲算法要补数学和论文;想抓新兴机会可切 Agent 开发。你的工程底子是硬通货。
转码
跨专业转来、有一点代码基础
应用/工程、Agent 开发、数据都可切,门槛比算法低。背景不是劣势——把"没有实验室和算力"的处境做成可追问的项目,反而是差异化,见 N-010。
文科
纯文科 / 零代码
先看第 04 节的非技术路;如果愿意补代码,从 F-000 起步走应用方向也完全可行,只是要接受一段爬坡期。
04不写代码也能入行NON-CODING PATHS
"进 AI 一定要会写代码"是个误解。这几类岗位核心是判断和沟通,不是编程:
- AI 产品——定义产品做什么、边界在哪、怎么落地。最需要"懂 AI 能做到什么程度"的判断力,这恰是这个站的强项内容(笔记)。
- 运营 / 增长 / 内容——把 AI 产品或内容推出去、运营社区。会用 AI 工具 + 懂内容,比会写代码更重要。
- 数据标注 / 评测——为模型和 Agent 提供高质量数据与评测,门槛低、是很多人的第一步。
这些路不要求你从 F-000 装环境开始,但要求你真懂 AI 的能力与边界——多读判断类内容(笔记、知识框架)建立认知。
05选定之后NEXT
- 你能说出自己想投的是上面哪一类、以及为什么吗?
- 你能对着一份真实 JD,分出"硬门槛"和"加分项"吗?
- 你知道自己该补的技能清单(从 JD 对照来的)吗?
技术路:回 F-000 动手前的准备 铺环境,按 研习路线 走,再用 求职入口 备战。非技术路:先把 笔记 的判断内容读透,建立"懂 AI"的认知。无论哪条,简历都用 F-020 的可追问写法。