AI行业洞察—从1700个岗位看大厂AI要什么人

一、摘要

我对AI行业内的岗位需求情况进行了调研（详见文章第四部分），核心结论如下：

1、26年的大厂AI人才招聘已经不是“算法科学家”的独角戏，AI应用在产运、工程、算法岗位方面都有增量岗位，招聘要求是围绕大模型应用工程化的全职能协同。

2、国内预训练岗位较少，后训练岗位日益增加。LLM算法岗的核心需求从“造模型”转向“调模型”。

3、AI工程岗位需求量占比最高，包括MLOPS/AI基础设施岗、Agent工程岗、AI应用后端开发等，其中MLOPS/AI基础设施岗相比另外两个岗位有差异性，主要for大模型平台建设，核心技能点包括vLLM、SGLang等推理框架，模型量化以及SFT、RLHF等后训练pipeline建设等；Agent工程与AI应用后端强调RAG、MCP、上下文管理、模型微调等大模型外围工程能力。

4、AI产品运营岗位同样需求旺盛，对产品经理的要求不再局限于懂用户，更要“懂大模型”。对于一些常见的LLM原理，Agent架构、prompt engineering 甚至模型微调都要有理解；而运营岗位则重点体现在使用AI工具对运营效率的提升。

最后，基于行业内对人才画像的要求，我整理了AI应用时代的技术分层，以及每一层对于AI能力的核心技能点（见文章第五部分）。

二、背景

所谓“不谋万世者，不足谋一时；不谋全局者，不足谋一域”。最近我的团队一直在做AI应用相关的工作，我自己也做相关领域的研究。为了避免闭门造车，我准备调研一下看看行业的发展情况是怎样的，企业在招聘哪些新岗位，对这些岗位的要求又是什么样的。

为了回答这个问题，我通过公开渠道采集了11家一线AI相关公司的在招岗位数据，去重后共获得1700+有效样本，覆盖从LLM算法到AIGC内容运营的完整岗位。

本文是我对这组数据的系统性分析，希望能为正在考虑AI转型的技术人、产品人、运营人提供一份可参考的“岗位地图”。

三、调研方式

我设计了一套可复用的采集与分析流程，通过公开渠道获取了11家一线AI相关公司的在招岗位信息，去重后共获得1700+有效样本，并对这些岗位进行分析获得相关技能要求和岗位洞察。

3.1 数据源

聚焦"最能代表大模型时代"的 11 家公司，覆盖大厂 + 独角兽，采集方式全部基于企业官方 Career 站点或公开 API，最终去重后共 1700+ 条在招岗位：

3.2 数据分析

原始 JD 只有 title、description、bg、地区等字段，直接分类会有大量误判（比如"AI 产品运营"到底是产品还是运营？）。因此我分三个阶段进行了数据分析：

Step 1：LLM 两级分类（title + description 联合判断）

• 用本地 Ollama 部署的 Qwen3-30B-A3B 模型；

• 大类：算法 / 工程 / 产品 / 运营 / 其他；

• 每个大类下 5-13 个白名单子类（大模型 LLM 算法、Agent 工程、AI 产品经理...）；

• 用规则做后处理归一，让所有输出都落入 42 个规范子类。

Step 2：LLM 技能抽取（防幻觉版）

• 每个 JD 抽 2-8 个"JD 原文实际出现的"技术能力短语；

• 关键技巧：prompt 里明确"不要根据 title 推测常见技能，宁少勿多"；

• 抽完后规范化：LangChain / langchain / LangChain 框架 → 统一为 LangChain。

Step 3：聚合与可视化

• 按子类聚合技能词频。

• 前端用 SVG 词云展示，字号按 log(count) 缩放。

• 整体在一台 36GB 内存的 MacBook 上跑完，无需外部 API 费用。

四、核心结论和洞察

4.1 算法岗位

4.1.1 LLM算法岗：后训练岗位需求远超预训练

数据情况

• 样本量：172

• 核心词频：SFT 63、强化学习 43、RLHF 33、RAG 32、PyTorch 18

• LLM算法岗位，词频最高的前五项中，SFT（监督微调，63次）和强化学习（43次）远超其他关键词。值得注意的是，预训练仅出现9次。

核心洞察

1、后训练岗位需求远超预训练

随着大模型的持续发展，国内基础大模型的训练岗位明显更少，行业已经不需要“造模型”的人了，需要的是大量“调模型”的人。

2、“对齐”是当前最大刚需RLHF + DPO + 强化学习的组合高频出现（合计超过85次），释放的信号非常明确：行业的核心痛点已经从“模型能不能回答问题”变成了“模型的回答能不能满足业务场景和客户的要求”。

4.1.2 Agent算法岗：重视业务结合，Agentic RL高频上榜

数据情况

• 样本量：85

• 核心词频：Tool Use 17、强化学习 16、LLM 15、SFT 15、Agentic RL 14、Memory 13

核心洞察

1、Agent算法岗需要深入具体业务和工程场景

Tool Use（17次）、Memory（13次）、任务规划（9次）、上下文治理（5次），这四个词加起来44次，超过了LLM（15次）和SFT（15次）的总和。可以看出Agent算法有很多工作需要结合业务场景和工程能力建设，比如状态管理、会话持久化、上下文窗口调度。

2、Agentic RL，提升Agent决策和执行能力

这也是26年 agent算法的一个新方向，基于RL的思想，通过环境对于agent的奖励分数，让agent的决策和行动能力越来越强。比如订票Agent：多轮尝试订票，成功了+100分，失败了扣分，逐步学会在余票不足时先查候补再提交，而非反复请求无票班次。奖励驱动行为优化，最终让Agent在真实业务场景中表现越来越好。

4.1.3 AIGC算法岗：视频生成方向火热

数据情况

• 样本量：43

• 核心词频：Diffusion 8、AIGC 8、PyTorch 7、Image-to-Video 4、GAN 3、Autoregressive 3

核心洞察

1、AIGC岗与前几个岗位的核心逻辑不同

LLM算法岗的核心是“后训练”（SFT/RLHF），让模型适配业务。Agent算法岗的核心是“决策与执行”，让模型完成具体任务。AIGC岗不做这些。Diffusion、Image-to-Video、Autoregressive是这里的核心词，SFT/RLHF/LoRA几乎不出现。它解决的不是“让模型懂业务”，而是“让模型生成更逼真的像素/视频”。

2、视频生成是当前比较重要的战场

Image-to-Video（4次）、Video Editing（4次）、Ref-to-Video（3次）合计11次，接近Diffusion（8次）的提及频次，视频生成是当前AIGC非常核心的方向。

4.1.4 推荐/搜索/广告算法岗：搜推广的LLM化

数据情况

• 样本量：32

• 核心词频：LLM 14、召回 4、RAG 4、强化学习 4、AIGC 3、排序 3、生成式推荐系统 2

核心洞察

1、传统搜推广框架，内核被LLM重构

召回、排序等链路依然是搜推广的核心链路，但每一个环节都在被LLM注入“语义理解”能力。LLM做Query改写/用户兴趣总结，多模态大模型做视频/商品表征，基于用户行为序列的语义理解做推荐等。

2、生成式推荐方向崭露头角，行业内应用涌现

生成式推荐的核心范式转变在于：不再从亿级候选池中检索，而是将推荐直接建模为序列生成任务——像大语言模型预测下一个 Token 一样，直接“生成”下一个要推荐的物品。Meta是生成式推荐的重要推动者，其HSTU模型开创了推荐即序列生成的新范式；国内快手推出的OneRec、OneReason等生成式推荐框架也有生产级别的规模落地并获得应用成果。

4.2 工程岗位

4.2.1 MLOps/AI基础设施岗：岗位需求激增

数据情况

• 样本量：237

• 核心词频：LLM 30、vLLM 27、CUDA 23、PyTorch 21、SGLang 19、强化学习 19、分布式训练 17、Kubernetes 15、GPU 12、量化 11

核心洞察

1、推理引擎：必不可少的生产基建

vLLM（27次）几乎与LLM（30次）持平。在MLOps/AI基础设施领域，vllm几乎成为了生产环境的必备选择。行业正在形成共识：模型能力再强，没有配套的推理优化，也很难高用户量的生产环境中高效运行。

2、双雄对峙：vLLM vs SGLang

vLLM和SGLang都是来自UC Berkeley的研究团队，通过不同方式管理大模型推理过程中的KV Cache，提高推理效率。vLLM基于PagedAttention，专注高吞吐、高并发。SGLang：基于RadixAttention，专注复杂推理和kv cache复用，适合Agent多轮交互场景。

3、推理成本优化利器：模型量化

量化相关词条（模型量化+量化）合计22次。推理服务若不经优化直接上线，推理会有较高成本。量化是当前最直接的降本手段——降低显存占用、提升推理速度，直接决定AI服务能否大规模上线。

4、RL（19次）+SFT（14次）出现在基础设施岗

RLHF/SFT已经不只是算法研究员在单机上跑的实验，而是需要分布式训练框架支撑的大规模工程任务。MLOps工程师的角色是为算法团队搭建稳定、高效的训练平台，将SFT和RLHF的典型流程封装为标准化的训练Pipeline。

4.2.2 Agent工程岗：AI Agent的“躯干与神经系统”

数据情况

• 样本量：149

• 核心词频：RAG 33、Tool Use 29、LLM 24、Prompt Engineering 21、LangChain 16、MCP 16、任务规划 15、Harness Engineering 10、上下文管理 10、OpenClaw 9、强化学习 9、LangGraph 8、记忆库 8

核心洞察

1、RAG：最高频的Agent应用研发技能

没有RAG的大模型回答会存在各种各样的幻觉问题，RAG的本质是通过知识检索能力，将检索结果给到大模型进行整合并输出结果。

2、Tool Use、MCP：Agent与外部世界的“手”和“接口”

这两项是Agent与外部服务交互的核心能力。Tool Use 决定什么时候调用外部工具，MCP则是面向大模型提供的标准化接口能力。

3、任务规划：Agent“做事”的起点

任务规划（15次）表明Agent需要具备将复杂目标拆解为可执行步骤序列的能力，并根据环境反馈动态调整。这是Agent从“对话”走向“执行”的关键能力。

4、上下文管理：Agent的“大脑缓存”与“长期记忆”

Agent在多轮交互中需要维护和压缩上下文。当对话超过模型窗口限制时，如何取舍、如何压缩、如何保留关键信息。

4.2.3 AI应用/后端开发岗：AI加持的后端研发

数据情况

• 样本量：79

• 核心词频：LLM 22、RAG 14、Go 12、Java 11、Prompt Engineering 9、消息队列 8、MySQL 8、Agent 8、Redis 6、缓存 6、微服务架构 5、高并发 4、Elasticsearch 4、推理优化 4

核心洞察

1、AI应用后端是传统后端的自然进化

在AI应用后端岗中，我们看到了大量的传统架构词汇，比如mysql、redis、消息队列等，同时增加了LLM、RAG等AI象限能力要求。企业需要的是懂分布式、懂高并发、懂数据库的资深后端来把AI能力工程化。

2、RAG是AI应用后端的头号落地场景

RAG系统搭建涉及Embedding向量索引、文档分块、多路召回、Rerank等，是AI应用后端的典型应用场景。

3、高阶技能缺口：推理优化+LLM微调

推理优化（4次）和LLM微调（5次）频次虽低，但也可以看出AI应用工程师逐步开始做模型后训练的趋势。

4.2.4 前端/客户端：AI加持下的全栈研发是趋势

数据情况

• 样本量：37 (全栈研发 19 + 前端/客户端 18)

• 核心词频：React 9、Vue 8、LLM 7、AI Agent 5、Webpack 4、HTML 4、CSS 4、Electron 4、Linux 4、Claude Code 4

核心洞察

1、AI 加持已是硬要求，而非加分项

传统前端技能（React/Vue/Webpack/HTML/CSS）依然是根基，但 LLM（7次）和 AI Agent（5次）已跻身高频词，与核心框架几乎持平。这意味着“会 AI”不再是锦上添花，而是前端岗位的准入门槛。同时，Claude Code（4次）等 AI 编程工具的出现，表明行业对前端工程师的期望已从“手写代码”转变为“用 AI 工具高效交付软件”。

2、AI 加持下全栈化是明显趋势

全栈岗位占比显著提升，已占前端相关岗位的一半以上。一方面，大厂组织架构在融合——部分公司已合并前后端团队，全栈工程师需负责从需求到交付的完整链路。另一方面，AI 编程工具降低了全栈门槛，让前端工程师可以借助 AI 辅助完成后端、数据库等原本不熟悉的领域的开发工作。

4.3 产品运营岗位

4.3.1 AI产品经理岗

数据情况

• 样本量：263

• 核心词频：LLM 52、AIGC 44、Agent 24、RAG 23、Prompt Engineering 16、数据分析 10、Memory 8、评测体系 7、SFT 7、Agent架构设计 6

核心洞察

1、AI产品经理是当前增速最快的非技术岗之一

AI产品经理岗位样本量超过LLM算法岗和MLOps，说明很多企业急需AI产品经理或有相关技能的人才。企业欠缺的是“懂AI边界、能把技术翻译成产品”的人。

2、AI产品经理的核心能力是理解“模型的能力边界”

AI产品经理不需要会写模型训练代码，但必须建立对AI技术边界的立体认知。核心不是算法细节，而是对“什么能做、什么不能做、成本多高”的判断力。将模糊的业务问题精准转化为可被AI模型解决的工程问题。

4.3.2 运营岗：AIGC正在重塑运营工作方式

数据情况

• 样本量：217

• 核心词频：AIGC 30、LLM 24、Prompt Engineering 18、Agent 14、AI工具 10、数据分析 9、RAG 9、AIGC工具 9、SQL 8

核心洞察

这组数据释放的信号非常清晰：运营岗正在经历一轮由AIGC驱动的效率重构。“纯人力”的运营模式正在被淘汰，取而代之的是“人+AI工具”的协同模式。

1、内容运营：从“写文案”到“写Prompt”

传统内容运营的核心工作是写推文、做海报、剪视频。现在这些工作正在被AIGC工具接管——Midjourney/Stable Diffusion生成配图、Runway/ComfyUI生成视频、ChatGPT/Claude生成文案初稿。内容运营的核心技能正在从“文案写作”转向“Prompt编写与工具组合”。

2、产品运营：正在成为AI产品经理的“预备役”

产品运营的词频中出现了数据标注策略、模型效果评估、上下文工程等关键词。这意味着产品运营的工作边界正在向AI产品方向延伸——他们开始参与定义“什么样的AI回答算高质量”、设计标注规范、评估模型效果。这本质上是AI产品经理的初级形态。

3、数据运营：从“写SQL取数”到“写Prompt生成报告”

传统数据运营的核心技能是SQL取数、Excel做表、邮件发报告。现在这套流程正在被AI重构——通过Prompt让AI自动取数、自动生成可视化报告、自动做归因分析。SQL和Python依然是基本功，但Prompt Engineering正在成为新的核心门槛。

五、AI应用技术分层

根据前序岗位要求，我把当前AI应用领域的技术能力分成了5层，包括L1业务层、L2模型工程层、L3大模型平台层、L4模型算法层、L5模型数据层，对应各个分层的能力要求如下，技术同学可以参考：

六、数据局限性

本文数据来自11家公司2026年6月的公开招聘数据采样，不一定能完全反映市场情况，仅供参考。

七、认知与思考

1、这篇文章，是我给自己画的一张“AI行业地图”，能够相对系统地看到行业内AI业务应用的全貌。如果你也在思考AI时代的自我定位，希望它能帮你少走几步弯路。

2、如何将大模型与具体业务结合，是26年AI的重点方向。算力成本收敛、开源模型能力逼近闭源、推理引擎日趋成熟——AI落地的技术条件已基本具备。行业焦点正从“模型能做多好”转向“业务能用多深”。这是一道产品与技术的综合题：如何将通用能力适配垂直场景、如何用业务数据反哺模型效果、如何在可控成本下跑通业务闭环。