# 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](../research/employer-jds.md)，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](../research/technical-sources.md)

### 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。
