打开章节导航攻略章节00|先把目标缩到一个能验证的岗位01|按实际工作区分 AI 岗位02|从自己的基础,走到一条可申请路线03|把已有经历变成可信证据04|做一个可验证的技术项目05|把项目变成 GitHub、简历与面试证据06|技术面试:按岗位练,不背一份万能题库07|地区、毕业时间与雇主资格分别核查08|定向申请:用同一套证据回答这条 JD09|用投递和面试记录,定位下一步技术案例:从“跑得动”到“证据可信”技术项目01|把一个小模型做成可信的实验02|把模型交给一个真实 HTTP 接口03|有引用,不代表回答正确三个能运行、能解释、能查错的技术样例教学输入的数据许可与来源模板01|岗位研究与申请前核验02|能力差距表03|学习行动与每周交付04|技术项目 README 模板05|实验与评测记录06|失败样本与根因验证07|中文与英文简历:三条路线的教学样例08|技术面试自查与模拟题09|行为面试:STAR与结果边界10|投递台账与招聘窗口11|面试复盘与问题定位12|个人贡献、上游来源与AI辅助声明13|资格、时间与地点确认:英文询问信14|数据卡与模型/系统卡可编辑模板包原始研究与来源覆盖缺口与更新队列真实雇主 JD 研究表JD 来源核验记录地区资格与招聘时间:分开核查新旧仓库内容边界与只读审查技术方法来源
完整攻略 · 资料核验 2026-11-13
本页目录 · 17 节

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 SystemsAPI、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。

原始文档:docs/01-role-map.md