01|按实际工作区分 AI 岗位
先看这个岗位交付什么,再看它叫什么。下面是本项目的教学分类;雇主样本及例外见岗位研究原表,每个样本保留原始链接和核验日期。
岗位路线图
| 主要交付物 | 优先研究的路线 | 最有说服力的证据 | 常见误判 |
|---|---|---|---|
| 新算法、新实验结论、可发表研究 | 研究型算法 / Research Scientist | 问题定义、对照实验、论文或技术报告、本人研究贡献 | 把课程成绩或调用 API 当作研究证明 |
| 可验证的预测模型、排序或推荐结果 | 应用机器学习 / Applied ML | 数据划分、特征、基线、误差分析、离线到线上差异 | 只报单个准确率,不交代分母和数据泄漏 |
| 可训练、可部署、可观测的模型系统 | AI 工程 / ML Systems | API、流水线、延迟/吞吐、监控、回滚、测试 | 把本地演示写成生产平台 |
| 能完成具体任务的 AI 功能 | AI 应用 / Applied AI Software | 检索、工具接口、评测集、权限、拒答和失败回退 | 只有聊天界面,没有验证 |
研究和应用机器学习有共同基础,但要求不同。研究型岗位通常更重视研究经验,具体学历要求必须逐 JD 查看;不能由“AI 行业”推断所有岗位都要求博士。工程和应用路线也不是低门槛捷径,编码、调试与系统判断必须有证据。
A|研究型算法与应用机器学习
工作怎么拆
收到问题后,先定义数据和任务,再确定可比较的基线,训练或调整模型,设计评测,分析失败,判断结果是否值得进一步投入。研究岗还要说明已有方法没有解决什么、你的变化为什么有意义、其他人能否复现。
你要能讲清的基础
概率条件化、期望与方差;向量、矩阵和维度;梯度与优化;偏差与方差;正则化;训练/验证/测试;类别不平衡;实验泄漏。深度学习方向再补框架训练循环、反向传播、优化器、GPU 内存与数值稳定。具体视觉、语言、语音、推荐方向另有专门知识。
项目最小证据
一份数据说明,一套固定分割,一条朴素基线,一张完整指标表,一组消融实验,一页失败分析。研究取向再增加相关工作对照、可证伪假设和复现差异说明。所谓“消融”是只改变一个组件观察结果;同时换数据、模型和参数无法说明哪个改动起作用。
不适合立即主攻的信号
你无法独立解释损失函数;无法从原始数据构造训练集;没有一项可归属的研究工作,而 JD 把研究经历列为必需。此时先补基础或寻找与现有工程经验更近的岗位,不能靠“热爱 AI”替代硬条件。
B|AI 工程与机器学习系统
工作怎么拆
把模型交给其他系统使用:准备数据接口、保存与加载模型、实现推理服务、处理错误请求、控制资源、设计批处理、记录监控、上线与回滚。训练基础设施岗可能要求分布式训练、编译、GPU 或高性能计算,不能等同于普通后端加一个模型调用。
你要能讲清的基础
Python 或岗位要求语言、数据结构、HTTP、并发、测试、日志、文件格式、数据库和容器的基本原理。看到 p95 延迟,要先问请求大小、并发、预热、硬件、样本量;看到吞吐,要问错误率是否一起报告。
项目最小证据
可启动的 API;请求/响应契约;无效输入处理;健康检查;模型版本;本机负载实验;故障恢复方案。不要为了“技术栈丰富”先堆 Kubernetes。一个能被别人复现且能说出瓶颈的服务,比十个没跑通的框架名称更有用。
工程与算法怎样衔接
服务能稳定运行,不代表模型有效;模型离线得分好,也不代表服务能可靠交付。作品集应分别报告质量指标和系统指标。发生错误时,能定位是输入、模型、依赖、资源还是权限问题。
C|AI 应用工程
工作怎么拆
把任务拆成可测试流程:哪些步骤是确定性代码,哪些步骤需要模型,哪些步骤需要检索,哪些操作必须得到用户确认。然后构造测试集,接入数据和工具,处理超时、错误引用、权限范围、费用与回退。
你要能讲清的基础
完整应用开发能力;API 与数据契约;检索和排序;结构化输出校验;评测集设计;提示注入的边界;最小权限;缓存和重试。RAG 的生成部分、检索部分和数据权限要分别验收。原始 RAG 论文研究的是检索与参数化生成结合,本仓库的离线检索样例没有调用大模型,不冒充复现论文系统。方法来源 T04
项目最小证据
一套可回答与不可回答问题;检索命中和最终答案分别评测;可点击的来源;无法支持时拒答;工具参数验证;一条真实失败;成本与延迟的测量说明。没有线上用户时,写“本地教学评测”,不能写“帮助企业提效”。
交叉岗位分流表
| JD 的主体工作 | 本册归属 | 要补的证据 |
|---|---|---|
| SQL、仪表盘、经营指标、给管理层建议 | 商业分析专题 | 口径、数据质量、业务推理与沟通 |
| 预测、因果或统计实验、模型验证 | 应用 ML / 数据科学交叉 | 实验设计、统计假设、代码与误差分析 |
| 售前演示、商机推进、客户需求沟通 | 解决方案或商务专题 | 客户问题、方案边界、沟通和商业判断 |
| 客户现场编码、数据接入、模型评测、部署 | AI 工程 / 应用工程交叉 | 可运行交付、系统约束、数据权限 |
| 需求优先级、路线图、用户研究、产品指标 | 产品求职专题 | 产品案例与决策证据 |
| 数据标注、模型输出评分、标注质量运营 | 数据/质量运营交叉 | 标注规则、一致性、抽样质量;不能包装成模型研发 |
岗位同时包含两类职责时,把每类的时间占比、招聘面试形式和团队归属问清楚。不要只根据岗位标题“降级”或“升级”候选人的能力。
一条 JD 的拆解练习
从原文依次摘出:交付物、工作对象、必需能力、优先能力、学历/毕业窗口、地点、工作权、是否需要赞助、申请截止。英文里的 required/minimum 与 preferred/nice to have 分开。未写明记“未说明”,不能自行理解为接受。
然后只问三件事:我是否满足不可替代的硬门槛?现有证据能否证明主要职责?缺口能否在真实截止前补到可验收?输出“可投”“先确认”“先补证据”“本轮不投”,不给没有依据的录用概率。