模块导读与岗位版图

先记住这一页的一句话：career 模块只做两件事——先看清市场上有哪些大模型岗位、每个岗位要什么，再照着差距准备自己。 本文就是这两件事的导航图：岗位版图给你市场信息，决策清单帮你定位，内容地图告诉你去哪五页深挖。

大模型求职最容易犯的顺序错误是"先努力、再定位"：闷头刷了三个月 Transformer，回头发现目标岗位根本不考这些。career 模块把你拉回正轨——先做信息工作，再做学习工作。

一、模块定位：看清市场，然后准备自己

整个模块的五页串成一条求职流水线，每一站的产出是下一站的输入：

你的处境：想在大模型领域求职 / 转岗 / 跳槽
         │
         ▼
┌─────────────────────────────────────────────┐
│ ① 看清市场 —— [JD 清单](/career/jd-list)      │
│    市场在招什么岗？JD 反复出现的要求是什么？    │
│    关键词雷达、硬要求与加分项                  │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ② 看清差距 —— [知识点拆解](/career/knowledge-map)│
│    把 JD 高频要求映射成「会 / 不会 / 半会不会」，│
│    生成个人补课清单，而不是从头通读             │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ③ 包装自己 —— [简历分析](/career/resume-analysis)│
│    按面试官视角重写项目经历：突出模型选择、      │
│    量化结果、失败与复盘                        │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ④ 证明自己 —— [面试题库](/career/interview-questions)│
│    高频考题 + 参考答案要点，最后自测而非第一天看  │
└─────────────────────────────────────────────┘

这套顺序不是本站发明的，而是求职冲刺线的主线设计：以终为始，从 JD 和面试题倒推学习内容，不求全面，只求高频考点全部覆盖。时间只有两三周就跟着这条主线走；时间充裕，就把主线与本站「导读 → 核心知识 → 案例 → 实践」的常规路径交叉推进。

与其它模块的关系

career 模块不重复讲知识，它只做两件事：市场信息 + 求职方法。概念性的东西去核心知识章理清边界，去术语表查定义。求职阶段最容易犯的错是把时间花在"再学一章"而不是"整理已会的"——career 模块正是为后者设计的。

二、岗位版图：七类岗位全景

先看总表，再逐个拆。

岗位	英文常用名	一句话定位	主要产出
算法工程师（大模型方向）	LLM Algorithm Engineer	国内特有泛称：从模型选型到上线全程负责	能上线、能迭代的大模型方案
NLP 算法工程师	NLP Engineer	用 LLM + 经典 NLP 做文本理解与生成	搜索/客服/内容等文本系统
大模型训练工程师	Pretraining / Post-training Engineer	把预训练、SFT、对齐跑起来的系统工程专家	稳定收敛的模型与训练管道
推理优化工程师	Inference / Inference Optimization Engineer	让模型跑得更快、更省、更稳	高吞吐、低延迟的服务
AI 应用工程师	LLM Application Engineer	把通用大模型接进产品的工程化角色	基于 LLM 的产品能力
Agent 工程师	Agent Engineer	让大模型学会用工具、自己干活	能自主执行任务的智能体
评测工程师	Evaluation Engineer	给模型效果和产品质量把关	可信的评测体系与结论
数据工程师（LLM 方向）	Data / Data Quality Engineer	为预训练与后训练准备高质量语料	干净、合规、配比合理的语料集

薪资数字怎么读（请务必先看这一条）

本节薪资为撰写时（dataAsOf: 2025-08）基于招聘平台公开信息与 levels.fyi 等第三方统计的粗粒度综合区间，只做选方向时的量级参考，不构成精确报价。「国内一线城市」指北京、上海、深圳、杭州等地的全职年薪（人民币，覆盖常见水平）；「海外」以美国科技公司为主（美元）。同岗位薪资因学历、经验、公司、面试表现可相差数倍；具体岗位与薪资以各公司官网最新发布为准。

三、七个岗位逐个拆

1. 算法工程师 · 大模型方向 —— 国内招聘的第一大关键词

「算法工程师」是国内特有的岗位名，覆盖面极宽，常是应届生与转行者的第一站。大模型方向的核心职责是：在业务场景里判断"该不该用大模型、用哪个、怎么用"——选基座、定提示与微调策略、搭评测集、评估上线收益。多数团队的日常工作不是训练模型，而是组合能力：提示工程 + RAG + 微调 + 评测。

• 核心技能：Python 与深度学习框架（PyTorch 为主流）、Transformer 原理、微调（LoRA 为主）、RAG、评测体系、业务理解。
• 典型薪资：国内一线城市约 35–80 万/年（大厂核心部门更高，小厂与外包明显更低）；海外近似角色是 ML Engineer / Applied Scientist，约 18–30 万美元/年。
• 与本站对应：知识底座是Transformer 架构详解、微调与对齐；求职备战直接对照JD 清单，用知识点拆解生成补课清单。

2. NLP 算法工程师 —— 经典 NLP 与大模型的混合体

NLP 工程师做文本理解与生成：文本分类、命名实体识别、语义搜索、机器翻译、对话系统。这个岗位近两年的特点是与大模型工程师高度重叠——很多 NLP 岗就是"经典 NLP + LLM 应用"的混合体：既要有序列标注时代的功底，又要会用大模型做 few-shot 分类、抽取、改写。中文场景尤其看重分词、纠错、语料特点的理解。

• 核心技能：Python、经典 NLP（分词、词向量、序列标注）、分词与词表细节、Transformer 原理、LLM 应用、数据与评测。
• 典型薪资：国内一线城市约 30–65 万/年；海外约 15–25 万美元/年。
• 与本站对应：语言建模范式见语言建模，编码器家族见BERT 与编码器家族，术语口径统一用术语表。

3. 大模型训练工程师 —— 离模型本体最近的岗位

训练工程师负责把预训练、SFT、RLHF/DPO 跑起来并跑稳。这是门槛最高、坑位最少的一类岗位，集中在头部大厂与 AI 公司（模型团队）。日常工作包括：数据处理与配比、训练框架（Megatron-LM / DeepSpeed）配置、分布式并行策略（数据/张量/流水线/专家并行）、损失曲线诊断、故障恢复（checkpoint）、集群调度。多数时候"训练"不是推倒重来，而是在已有基座上做**继续预训练（continued pretraining）**与后训练。

• 核心技能：深度学习底层原理、预训练数据与目标、规模法则、MoE、分布式训练框架、CUDA 与显存管理、工程纪律。
• 典型薪资：国内一线城市约 40–110 万/年（资深与稀缺人才溢价明显）；海外约 20–35 万美元/年。
• 与本站对应：论文底子见论文地图与经典论文精读；分布式训练与框架选型见框架与工具选型。

4. 推理优化工程师 —— 让大模型"用得起"

推理优化是 2023 年后增长最快的方向之一：模型能力够了，但太贵、太慢、装不下，就是没人用。 推理工程师的工作围绕显存、延迟与吞吐展开：量化（INT8/INT4）、KV cache 管理（PagedAttention）、continuous batching、算子优化（FlashAttention）、服务框架（vLLM / SGLang / TensorRT-LLM）调优、GPU 集群压测。这是性能工程岗位，要求极深的系统功底。

• 核心技能：推理基础（自回归与采样）、Transformer 逐层细节、KV cache、量化、C++/CUDA（加分）、部署与服务化全链路、性能分析与压测。
• 典型薪资：国内一线城市约 40–90 万/年；海外约 20–32 万美元/年。
• 与本站对应：显存估算与量化实战见部署与服务化，MoE 部署挑战见MoE 稀疏专家模型。

5. AI 应用工程师 —— 2023 年后最主流的大模型岗

AI 应用工程师（常称 LLM 应用工程师）把通用大模型接进业务：提示工程、RAG、Agent 工作流、微调（LoRA）、评测集构建、成本与延迟优化。它不要求你从零训练大模型，但要求你知道模型能力边界、并会用工程手段组合它。这类岗位数量最多、进入门槛相对友好，是多数转行者的主战场。

• 核心技能：Python、LLM API 与开源模型部署、RAG 实战、评估实战、Agent 框架、产品化与工程能力。
• 典型薪资：国内一线城市约 30–70 万/年（资深与稀缺人才溢价高）；海外约 18–30 万美元/年。
• 与本站对应：RAG 原理见RAG：检索增强生成，提示工程见提示工程，实践见RAG 实战。

6. Agent 工程师 —— 让模型"自己干活"

Agent 工程师的核心是把 LLM 从"问答器"变成"执行者"：设计工具调用（function calling）、规划循环（ReAct）、记忆机制、多 Agent 协作，并对接真实系统的 API。2025 年的市场分化明显：一批公司用 Agent 框架做复杂工作流，另一批公司退回到"单轮确定性流水线"——Agent 工程师的真正价值在于判断什么时候该让模型自主、什么时候该写死逻辑。

• 核心技能：基于 LLM 的 Agent 架构、提示工程、工具调用与协议（如 MCP）、安全与风险（提示注入）、系统工程。
• 典型薪资：国内一线城市约 35–80 万/年；海外约 18–32 万美元/年。
• 与本站对应：Agent 案例与边界见基于 LLM 的 Agent，风险应对见安全与风险。

7. 评测工程师 —— 稀缺的"守门人"

评测工程师给模型的每一次改动打分：搭基准集与自建集、跑离线批量评估、设计 LLM-as-a-judge、做回归测试防退化、上线后看线上指标与用户反馈。这是大模型团队里公认的稀缺角色——多数团队重训练轻评测，直到发现"改了十版到底好不好"没人说得清。评测岗的工作需要严谨的统计思维和对抗数据污染的警觉。

• 核心技能：评测与基准体系、基准档案（MMLU/GSM8K/HumanEval 等）、幻觉与安全测试、评估自动化（lm-eval-harness / OpenCompass）、数据分析。
• 典型薪资：国内一线城市约 30–70 万/年；海外约 18–28 万美元/年。
• 与本站对应：基准与数据集档案见数据集与基准档案，实操见评估实战。

8. 数据工程师 · LLM 方向 —— 语料决定模型上限

"数据即模型"——预训练语料的质量直接决定基座上限，后训练数据（指令、偏好）直接决定产品体验。数据工程师负责语料采集、清洗、去重（MinHash）、过滤、配比、合规审查，以及标注团队管理与质量验收。2024 年后**合成数据（synthetic data）**成为热门方向：用模型生成高质量训练数据。

• 核心技能：预训练数据全流程、分词与词表、大数据工具（Spark/Flink）、数据管道工程、版权与合规意识。
• 典型薪资：国内一线城市约 25–60 万/年；海外约 15–25 万美元/年。
• 与本站对应：数据与基准档案见数据集与基准档案。

四、岗位技能雷达：算法 · 工程 · 应用 · 数学

把七类岗位放进四个维度的坐标系，一眼就能看出性格差异。四个维度定义为：

            算法（Transformer 原理 / 训练细节 / 调参）
                      ▲
                     /|\
                     │
      数学 ──────────┼────────── 工程
 （线代 / 概率 /      │         （代码质量 / 部署 /
  推导 / 统计）       │          MLOps / 系统）
                     │
                    \|/
            应用（RAG / Agent / 产品 / 业务指标）

各维权重用 1–5 表示（1 = 基本不需要，5 = 岗位核心能力）：

岗位	算法	工程	应用	数学	岗位性格
算法工程师（大模型方向）	4	3	3	3	全能型
NLP 算法工程师	4	3	2	3	建模型
大模型训练工程师	5	4	1	3	科学家+工程师型
推理优化工程师	3	5	1	3	系统工程师型
AI 应用工程师	2	4	5	2	工程+产品型
Agent 工程师	2	4	5	2	工程+产品型
评测工程师	3	3	3	4	严谨型
数据工程师（LLM 方向）	2	4	2	2	管道工程师型

用这张表怎么选

不要只盯"哪行数字最大"，要看哪一列你能接受长期深耕：算法强的人耐得住训练曲线诊断的枯燥，工程强的人享受系统稳定跑起来的踏实，应用强的人从"用户真的用起来了"获得成就感，数学强的人享受推导的确定性。把"我更愿意长期做哪类工作"排在"哪个岗位更热门"前面。

五、市场趋势判断（2023–2025）

阶段	市场信号	对岗位的影响
2022.11–2023	ChatGPT 引爆，大模型应用岗从无到有	提示工程、RAG 岗位爆发，"会用 API"即可入场
2023–2024	开源模型（Llama/Qwen/DeepSeek）追平闭源，私有化部署需求大	部署、微调、推理优化工程师需求上升；"只会调 API"贬值
2024–2025	Agent 概念落地分化；训练成本高企，训练岗向头部集中	应用层继续扩张；评测与安全岗稀缺；工程化（部署/评测/可观测）权重上升
2025 展望	推理成本持续下降，长上下文与多模态普及	"懂评测、懂成本、懂系统"的复合型人才更吃香

几个值得纳入决策的事实（截至 dataAsOf: 2025-08）：

• 纯"调参型"通用算法岗位减少，"工程 + 大模型应用"复合型需求上升，JD 中出现大模型关键词的比例快速攀升；
• 训练岗门槛水涨船高，开源生态降低了"从零训练"的需求，多数公司转向微调与后训练；
• 评测、安全、数据质量等"看不见的岗位"正在被重视——它们不受单轮技术热点冲击；
• NLP / 推荐 / 搜索等垂直方向没有消失，但都在叠加 LLM 能力。

别把"岗位名"当身份

同一个名字在不同公司做的事可能完全不同：A 厂的"算法工程师"可能天天调提示词，B 厂的"AI 应用工程师"可能天天写数据处理。读 JD 永远比读岗位名重要——这就是为什么本模块的第一站是JD 清单，而不是"岗位百科"。

六、你该选哪个方向：决策清单

没有标准答案，但有标准问题。按下面三组清单逐项自问，勾出的答案会收敛到一两个岗位。

1. 按背景：你现在站在哪？

• [ ] 计算机/软件背景，写代码多年，想进大模型 → 优先 AI 应用工程师 / Agent 工程师 / 推理优化工程师
• [ ] 数学/统计/物理背景，推导不怵但工程少 → 优先 算法工程师 / 评测工程师
• [ ] 经典 NLP / 搜索 / 推荐背景 → 优先 NLP 算法工程师，在原有场景上叠加 LLM 能力
• [ ] 应届无行业经验，想在最短时间拿到面试 → AI 应用工程师是国内 JD 数量最多、最通用的入口
• [ ] 已有数据/大数据工程经验 → 优先 数据工程师（LLM 方向），工程经验是明显加分项

2. 按兴趣：你享受哪种"完成感"？

• [ ] "训练曲线终于掉了" → 训练与算法倾向，训练工程师 / 算法工程师
• [ ] "这套服务 99.9% 可用、延迟降了一半" → 系统倾向，推理优化工程师
• [ ] "我把一个大模型组装成了用户真在用的功能" → 产品+技术倾向，AI 应用工程师 / Agent 工程师
• [ ] "我设计了一套评测，让团队停止了拍脑袋" → 严谨倾向，评测工程师
• [ ] "我从爬虫到上线搞定了整套语料管道" → 数据倾向，数据工程师

3. 按趋势：你愿意为确定性付出多少？

• 想稳 → 评测 / 数据 / 应用工程，受单轮技术热点冲击小；
• 想快 → Agent / 推理优化，热点集中、涨薪快但波动大；
• 想远 → 训练与算法，天花板高但坑位少、门槛高。

把三组结果合起来看：三个指向同一个方向就果断选它；方向打架时，用「背景兜底、兴趣定远、趋势加权」排优先级——背景决定你能不能进门，兴趣决定你能走多远，趋势只决定门口挤不挤。

七、本模块内容地图：五页各干什么

career 模块共五页，对应求职流程的五个动作：

页面	一句话定位	什么时候用
JD 清单	按岗位类型汇总 JD 模板与关键词雷达，拆解高频要求与门槛	求职第一天：先知道市场要什么
知识点拆解	把 JD 高频要求映射到知识点与本站页面，给"面试怎么问"	摸清市场后：定位自己的差距
简历分析	面试官视角的简历审查标准，含微调/RAG/Agent/评测/部署五类项目改写示例	准备投递时：把经历变成证据
面试题库	按主题组织 30+ 高频考题与参考答案要点，配自测清单	面试前一周：最后自测

使用顺序是主线，不是选项

求职冲刺线已经把五页排成了备战主线：JD 清单 → 知识点拆解 → 简历分析 → 面试题库，上一页的产出是下一页的输入。跳着读会损失大半价值。

八、两点提醒

1. 先看 dataAsOf，再信数字

本模块涉及的岗位、薪资、JD 要求、技术关键词都有时效：大模型领域半衰期很短，一个岗位的 JD 一年内可能重写两遍，薪资区间随行情波动。因此本模块所有含时效的页面都在 frontmatter 标注了 dataAsOf（数据截止月份）。引用其中的具体数字之前，先看一眼那个日期：

• 距今一个季度内 → 可以当作当前参考；
• 超过一个季度 → 当作"趋势参考"，并以官方来源复核；
• 概念性内容（注意力公式、KV cache）衰减很慢，不受此约束。

2. JD 描述 vs 实际工作：两个版本的世界

JD 是"希望你是的样子"，日常工作则是"实际需要你的样子"，两者存在系统性落差：

• JD 写"精通深度学习"，实际可能是大量数据清洗与评测脚本——模型调参只占工作的一小部分；
• JD 写"优化模型效果"，实际考核的是业务指标与成本——涨 2 个点准确率但延迟翻倍，一样过不了评审；
• JD 写"独立负责大模型系统"，实际是庞大系统里的一环——面试时把"我负责的部分"讲清楚，远比吹"我负责整个系统"可信；
• JD 写"Agent 经验优先"，实际团队自己也还没定型——诚实讨论你对这种不确定性的理解，本身是加分项。

应对方法只有一个：面试前对目标团队做信息侦查（面经、在职者访谈、产品体验），把 JD 当作假设、用调研去验证。面试题库里有一类"反问面试官"的问题清单，正是干这个用的。

九、延伸阅读

站内继续读

• 求职冲刺线 —— career 模块所在的完整备战主线
• 总体架构解剖 —— 大模型系统全生命周期的页面地图，理解每个岗位在链路中的位置
• 知识点拆解 —— 从岗位到知识点的桥，生成你的个人补课清单
• 术语表 —— 读 JD 和面试题时随时回来查口径

参考资料

• levels.fyi —— 美国科技公司薪酬数据库，按公司/级别/城市查询，海外薪资的可靠来源
• Stack Overflow Developer Survey —— 年度开发者调查，含 AI/大模型工具使用率与薪酬分布
• BOSS直聘 —— 国内主流招聘平台，查实时大模型岗位 JD 与薪资
• 智联招聘 —— 国内招聘市场景气度与行业需求的中国口径参考
• OpenAI Careers —— 头部大模型公司官方招聘页，看海外岗位的最新真实 JD