外观
JD 清单：大模型相关岗位
先记住这一页的一句话：JD 是"市场想要什么样的人"的最廉价样本——读一百份 JD，比猜十次"面试官想考什么"都准。 本文按岗位类型整理 JD 模板，把 2023 年以来大厂公开 JD 里反复出现的职责与要求抽成共性骨架，并配「关键词雷达」，让你一眼看清每个岗位的技能权重。
重要声明
本页所有 JD 均为基于公开大厂 JD 的共性提炼而成的模板，不指向任何一家公司的在招岗位，也不代表某一具体公司的 JD 原文。真实 JD 的职责、要求、年限、学历门槛因公司、团队、职级而异。一切以各公司官网最新发布为准（本页数据截至 dataAsOf: 2025-08）。
一、怎么读这份清单
1. JD 会变，技能组合才是常态
大模型领域 JD 的更新速度远超其他行业：2023 年流行"熟练使用 ChatGPT API"，2024 年变成"熟悉 RAG 与向量数据库"，2025 年又加上"Agent 与评测经验"。盯住 JD 里不变的底层（Transformer 原理、Python、工程能力），再盯变化的组合（RAG、Agent、多模态、量化）。 底层决定你能不能跨周期，组合决定你现在值多少钱。
2. 区分「硬性要求」与「加分项」
大厂 JD 的措辞有规律：
| 措辞 | 含义 | 应对 |
|---|---|---|
| 精通 / 深入理解 / 熟练 | 硬性要求，面试大概率深挖 | 准备 30 分钟深度讲解 |
| 熟悉 / 了解 | 软性要求，能讲出原理即可 | 准备概念层回答 + 一个例子 |
| 有 XX 经验者优先 / 加分项 | 有则优先，无则不卡 | 简历里主动对齐并补足证据 |
| 硕士及以上 / 顶会论文优先 | 学历与学术门槛 | 未满足时靠项目与作品集突围 |
3. 读 JD 的三个动作
- 圈技能词：把所有技术名词圈出来，去知识点拆解对号入座；
- 分层级：把技能词标为「会 / 半会不会 / 不会」，生成补课清单；
- 存样本：每周存 3–5 份目标岗位 JD，一个月后看趋势，你就知道市场在往哪边移动。
二、JD 通用骨架：几乎所有大模型岗都有的四块
无论什么岗位，大厂 JD 几乎都长这样：
| 板块 | 常见内容 | 深层意图 |
|---|---|---|
| 岗位职责 | 负责 XX 系统的设计/开发/优化，跟进前沿技术，推动业务落地 | 面试深挖点：你具体做了什么、遇到什么坑 |
| 技术要求 | Python/PyTorch、Transformer、微调、RAG、评测、部署 | 面试八股范围：对应本站概念与实践章 |
| 工程要求 | 代码质量、分布式/服务化、数据处理、线上稳定性 | 考察"能不能落地"，而非"懂不懂概念" |
| 软素质 | 自驱、沟通、跨团队协作、英文文献阅读 | 大多不硬卡，但项目深挖会暴露 |
把 JD 当"考点大纲"
一份 JD 就是一份 mini 考纲：职责 = 面试深挖题，技术要求 = 八股题，工程要求 = 系统设计题。 用 JD 反推面试，命中率远高于海背面经。
三、按岗位类型的 JD 模板
以下每类给出「岗位定位 → 职责 → 要求（必备 / 加分）」。均为共性模板。
1. 算法工程师 · 大模型方向
定位：面向业务场景选择与组合大模型能力（提示、RAG、微调），并负责效果评估与迭代。
职责：
- 负责业务场景中大模型方案的设计与落地：场景评估、基座选型、提示词/微调/RAG 方案组合；
- 构建业务评测集，建立离线与线上评估体系，量化上线收益；
- 跟进最新模型与论文，评估其对业务的适用性并推进落地；
- 与工程团队协作，完成模型服务化与线上稳定性保障。
要求：
- 必备：Python 熟练；深入理解 Transformer 原理与微调方法（SFT/LoRA）；熟悉评测与基准方法论；有完整落地项目。
- 加分：有RAG或 Agent 落地经验；熟悉对齐（RLHF/DPO）；有线上 A/B 实验经验。
2. NLP 算法工程师
定位：负责文本理解与生成类能力，经典 NLP 与大模型方法并用。
职责：
- 负责分词、实体识别、文本分类、语义检索、对话系统等 NLP 能力的研发与迭代；
- 将大模型（few-shot、微调、RAG）引入既有 NLP 流程并评估收益；
- 建设中文语料处理与质量评估管道；
- 参与模型评测与线上效果监控。
要求：
- 必备：Python 与深度学习框架；熟悉 NLP 基础（分词、词向量、序列标注）；理解语言建模与 Transformer；有文本类项目经验。
- 加分：熟悉中文预训练模型与语料特点；有 LLM 应用（RAG/微调）经验；熟悉向量检索。
3. 大模型训练工程师
定位：负责预训练/继续预训练/后训练（SFT、RLHF/DPO）的训练系统与数据管道。
职责：
- 负责训练数据管道建设：采集、清洗、去重、配比、质量监控；
- 负责训练框架与分布式并行（数据/张量/流水线/专家并行）配置与调优；
- 监控训练动态（损失、梯度、吞吐），诊断与解决不收敛、溢出、断点恢复等问题；
- 跟进规模法则与最新训练方法，评估与实验验证。
要求：
- 必备：扎实的深度学习原理与训练经验；熟悉 PyTorch 与分布式训练（DeepSpeed/Megatron-LM）；熟悉预训练数据全流程；能独立排查训练问题。
- 加分：有MoE训练或超大模型经验；熟悉 CUDA 与显存优化；有 CUDA/高性能计算背景；发表过顶会论文。
4. 推理优化工程师
定位：负责大模型推理性能优化与服务化，提升吞吐、降低延迟与成本。
职责：
- 负责模型量化（INT8/INT4）、蒸馏、稀疏化等压缩方案调研与落地；
- 优化推理框架（vLLM / TensorRT-LLM / SGLang 等）的算子、批处理与 KV cache 管理；
- 负责显存与性能分析、压测与调优，建立性能监控体系；
- 支撑业务侧推理成本与延迟优化需求。
要求：
- 必备：深入理解 Transformer 推理全流程（含 KV cache 与采样）；熟悉 GPU 架构与 CUDA 编程；有性能分析与调优经验；熟悉 Python 与 C++。
- 加分：熟悉 PagedAttention/continuous batching 等机制；有量化（GPTQ/AWQ）实操；熟悉部署与服务化全链路。
5. AI 应用工程师（LLM 应用）
定位：把通用大模型接进业务，负责提示、RAG、Agent、微调与评测的组合落地。
职责：
- 负责基于大模型的业务功能开发：提示设计、RAG 管道、工具调用；
- 建设业务评测集与回归测试，量化模型/提示/检索方案的效果差异；
- 跟进开源模型与框架选型，评估自部署 vs API 的性价比；
- 优化端到端延迟与成本，保障线上稳定性。
要求：
- 必备：Python 熟练；熟悉 LLM API 与开源模型部署；理解 RAG 全流程（索引/检索/生成）；有评估意识与实践。
- 加分：有 Agent 开发经验；熟悉向量数据库与 embedding；有微调（LoRA）实战；熟悉工程化（CI、监控、可观测）。
6. Agent 工程师
定位：设计与开发基于 LLM 的智能体：工具调用、规划、记忆、多 Agent 协作。
职责：
- 负责 Agent 架构设计与实现：工具/函数调用、任务规划循环（ReAct 等）、记忆管理；
- 负责 Agent 可靠性建设：错误恢复、护栏、成本控制；
- 调研与落地 Agent 协议与框架（function calling、MCP 等）；
- 针对提示注入等安全风险设计防护机制。
要求：
- 必备：Python 与系统工程能力；理解 LLM 推理与提示机制；有工具调用或工作流开发经验；有完整的 Agent 或自动化产品经验。
- 加分：有记忆（长期/短期）与多 Agent 设计经验；有基于 LLM 的 Agent线上稳定性经验；熟悉向量检索与评测。
7. 评测工程师
定位：负责模型与产品效果的评测体系建设，为模型选型与迭代提供依据。
职责：
- 建设评测体系：公开基准 + 业务自建集 + 人类/模型评判流程；
- 负责离线批量评估与回归测试，防止模型迭代引入退化；
- 设计并分析线上评估（A/B、用户反馈），量化上线收益与风险；
- 关注基准污染与评测偏差问题，维护评测数据质量。
要求：
- 必备：理解评测与基准方法论；熟悉常见基准（MMLU/GSM8K/HumanEval 等）与评测工具（lm-eval-harness/OpenCompass）；Python 与数据分析能力。
- 加分：有 LLM-as-a-judge 实践经验；有数据标注流程管理经验；熟悉幻觉与安全评测。
8. 数据工程师 · LLM 方向
定位：负责预训练/后训练语料与业务数据的采集、清洗、配比与质量保障。
职责：
- 负责大规模语料管道建设：采集、解析、清洗、去重、过滤、配比；
- 负责指令/偏好数据的生产与质量验收（含标注团队管理、合成数据）；
- 建设数据质量监控与合规审查机制；
- 支撑模型团队的数据需求，提供可复用的数据基建。
要求：
- 必备：Python 与数据处理能力（Spark/Flink 等）；熟悉去重（MinHash）与过滤方法；理解预训练数据原则；有数据管道工程经验。
- 加分：有合成数据经验；理解版权与合规风险；有搜索/推荐数据处理经验。
四、关键词雷达：每个岗位的高频技能词
雷达表里的"频率"为 JD 样本中出现频率的主观分级（●●● 高频硬要求 / ●● 常见 / ● 加分或视团队而定），样本来自 2023–2025 年公开大厂 JD 的共性观察，仅作备考方向参考。
| 岗位 | 高频技能词（●●●） | 常见（●●） | 加分（●） |
|---|---|---|---|
| 算法工程师（大模型方向） | Transformer、微调/LoRA、RAG、评测、Python/PyTorch | 提示工程、Agent、对齐 | 多模态、论文、A/B 实验 |
| NLP 算法工程师 | NLP 基础、Transformer、文本分类/抽取、Python | 向量检索、微调、评测 | 对话系统、知识图谱 |
| 大模型训练工程师 | 分布式训练、预训练、数据管道、PyTorch/DeepSpeed | 并行策略、损失诊断、MoE | CUDA、论文、超算经验 |
| 推理优化工程师 | 量化、KV cache、vLLM/TensorRT-LLM、性能分析、C++/CUDA | continuous batching、算子优化、GPU 架构 | 推理框架源码贡献 |
| AI 应用工程师 | LLM API、RAG、提示工程、Python、向量数据库 | Agent、LoRA 微调、评测 | 部署运维、CI/CD |
| Agent 工程师 | 工具调用、ReAct、记忆、Python、系统工程 | MCP、多 Agent、评测 | 安全/注入防御、强化学习 |
| 评测工程师 | 基准集、评测方法论、lm-eval-harness、数据分析 | LLM-as-a-judge、回归测试 | 人工标注管理、线上 A/B |
| 数据工程师（LLM 方向） | 数据处理、清洗去重、Spark/Flink、数据管道 | MinHash、过滤、合规 | 合成数据、标注管理 |
怎么用雷达表
把「●●●」一栏当作面试必考范围，把「●●」当作至少能讲原理的范围，把「●」当作简历里有则加分、没有不亏的范围。对照知识点拆解逐项打勾。
五、JD 高频技能词总榜
把所有岗位放在一起看，出现频率最高的技能词如下（出现面 = 出现在几类岗位的必备要求中）：
| 技能词 | 出现面 | 对应本站页面 | 面试权重 |
|---|---|---|---|
| Python | 8/8 | —（基本功） | 手撕代码必考 |
| Transformer/注意力 | 7/8 | Transformer 架构详解 | 必考核心 |
| 微调（SFT/LoRA） | 6/8 | 微调 / 微调实战 | 高频 |
| 评测 | 6/8 | 评测与基准 / 评估实战 | 高频且易出彩 |
| RAG | 5/8 | RAG 实战 | 高频 |
| 提示工程 | 5/8 | 提示工程 | 高频 |
| 分布式训练 | 3/8 | 框架与工具选型 | 训练岗必考 |
| KV cache/量化/部署 | 3/8 | 部署与服务化 | 推理岗必考 |
| Agent/工具调用 | 3/8 | 基于 LLM 的 Agent | 增长最快 |
| 对齐（RLHF/DPO） | 3/8 | 对齐 | 深挖题 |
六、读懂 JD 的水分与硬货
JD 里的每一句话可信度并不相同。大厂 JD 常见的"水分"与"硬货"如下：
| JD 表述 | 真实含义 | 优先级 |
|---|---|---|
| "具备良好的团队协作与沟通能力" | 通用套话，几乎人人必写 | 忽略 |
| "有较强的自我驱动和学习能力" | 技术栈可能未定型，招进来要自己摸索 | 参考 |
| "了解主流大模型及其应用" | 至少用过并理解基本原理 | 硬货，需准备原理 |
| "有大模型应用/微调/RAG 项目经验" | 需要项目证据，面试深挖 | 核心硬货 |
| "熟悉分布式训练框架" | 训练岗硬门槛，八股必考 | 核心硬货 |
| "有顶会论文/开源贡献者优先" | 差异化加分，没有不亏 | 加分 |
| "能承受一定的工作压力/快速迭代节奏" | 加班与抢版本信号 | 提醒 |
判断一份 JD 是不是"认真招人" 的三个信号：
- 技术要求具体（写了具体框架、具体任务）→ 团队清楚自己要什么人；
- 有明确的岗位产出描述（"负责 XX 系统""提升 XX 指标"）→ 有真实坑位；
- "必备项"与"加分项"分层清晰 → 有成熟的人才标准。
反过来，全是空泛套话、大量堆"学习能力强"的 JD，多半是"HR 海发"型岗位——投递前先打听清楚团队现状，别把时间花在大概率是备胎的岗位面试上。
七、趋势观察（2023–2025）
- "会用"贬值，"能证明效果"升值：早期 JD 写"熟悉 ChatGPT"，现在写"具备评测与回归测试能力"。面试越来越问"你怎么证明你的方案有效"。
- RAG 从加分变必备：应用类岗位几乎全要求 RAG 落地经验；2024 年后新增"Agent"与"工具调用"要求。
- 训练岗向头部集中：预训练岗仅存在于少数大模型公司，多数公司 JD 改为"基于开源模型微调/后训练"。
- 推理优化独立成岗：量化、KV cache、vLLM 等关键词出现频率两年内大幅上升，系统背景候选人竞争力增强。
- 数据与评测岗从"边角料"变"正规军"：越来越多团队把数据质量和评测体系写进 JD，且提供正式职级。
八、英文 JD 关键词速查
面向外企与出海岗位，英文 JD 里最常见的关键词如下（含义与中文术语对照，面试提示一列直接对应本站考点）：
| 英文关键词 | 含义 | 中文对应 | 面试提示 |
|---|---|---|---|
| LLM / Foundation Model | 大语言模型 / 基础模型 | 大语言模型 | 面试必考 Transformer 原理 |
| Prompt Engineering | 提示词设计 | 提示工程 | 常与 in-context learning 一起问 |
| Retrieval-Augmented Generation | 检索增强生成 | RAG | 完整流程必考 |
| Fine-tuning / PEFT | 微调 / 参数高效微调 | 微调 | LoRA 原理必考 |
| LoRA / QLoRA | 低秩适应及其量化版 | LoRA | 秩、alpha、显存对比 |
| RLHF | 人类反馈强化学习 | 对齐 | 三步法必考 |
| DPO | 直接偏好优化 | 对齐 | 与 RLHF 对比 |
| Agent / Tool Use / Function Calling | 智能体 / 工具调用 | Agent | ReAct 循环与可靠性 |
| Evals / Benchmark | 评测 / 基准 | 评测 | 污染与 LLM-as-a-judge 是加分点 |
| Context Window / Long Context | 上下文窗口 / 长上下文 | 长文本 | RoPE 外推与 RAG 取舍 |
| Quantization | 量化 | 推理优化 | INT8/INT4 取舍 |
| Inference Optimization | 推理优化 | 推理优化 | KV cache、批处理、吞吐 |
| Latency / Throughput | 延迟 / 吞吐 | 部署指标 | TTFT/TPOT |
| Vector Database / Embedding | 向量库 / 嵌入 | RAG 基建 | 选型逻辑 |
| Distributed Training | 分布式训练 | 训练工程 | DP/TP/PP/ZeRO |
| Hallucination / Grounding | 幻觉 / 接地（事实锚定） | 幻觉 | 成因与缓解 |
| Production / MLOps | 生产环境 / 工程化 | 工程能力 | 评测与可观测闭环 |
英文 JD 的潜台词
"Strong CS fundamentals" = 手撕代码会难；"Experience shipping to production" = 深挖线上稳定性与事故；"Familiar with research literature" = 考论文阅读与复现。英文 JD 用词更含蓄，把关键词对应的考点准备足即可。
九、硬性门槛观察：学历、年限与经验折算
门槛是统计规律，不是硬规定——但知道规律能帮你把有限的简历空间花在刀刃上：
| 阶段 | 常见门槛（大厂公开 JD 的共性观察） | 不满足时怎么办 |
|---|---|---|
| 校招应届 | 硕士为主流；算法/训练岗普遍要求硕士及以上；应用/工程岗本科可投 | 用可运行的完整项目 + 评测数据证明动手能力 |
| 1–3 年 | "3 年以上大模型/NLP/推荐/搜索经验"高频出现 | 用深度项目折算年限：一个讲透的项目 ≈ 一年经验 |
| 3 年以上 / 资深 | "独立负责过完整系统"、"有线上大规模经验" | 面试重点讲线上稳定性与事故复盘 |
| 博士 / 顶会 | 训练与研究岗的硬门槛或强加分 | 论文缺口靠开源贡献与复现作品补 |
学历 vs 作品的现实排序
在国内大模型岗位里，作品与项目深度的权重逐年上升：2023 年"会调 API"就能过初筛，2025 年 HR 会看有没有可运行的仓库、评测记录与可验证的数字。学历决定你能不能进门，作品决定你进门后站多高。
十、如何把这份清单用起来：求职行动计划
读 JD 不是为了"看过"，是为了产出一份可执行的计划：
| 阶段 | 动作 | 产出 |
|---|---|---|
| 第 1 周 | 圈定 2–3 个目标岗位类型（对照模块导读与岗位版图），各存 10 份 JD | 目标岗位清单 |
| 第 1 周 | 用关键词雷达圈出每类岗位的 ●●● 技能词 | 硬技能清单 |
| 第 2 周 | 对照知识点拆解逐项打勾，标注会/半会不会/不会 | 个人补课清单 |
| 第 2 周 | 按JD 清单的要求改简历项目标题与关键词 | 对齐后的简历 |
| 第 3–4 周 | 用面试题库验收，每周模拟面试一次 | 面试能力基线 |
十一、延伸阅读
站内继续读
参考资料
- BOSS直聘 —— 国内主流招聘平台，可搜"大模型/LLM/AI 应用"等关键词看实时 JD
- 智联招聘 —— 国内招聘平台，含行业景气度报告
- OpenAI Careers —— OpenAI 官方招聘页，海外模型岗真实 JD
- Anthropic Careers —— Anthropic 官方招聘页，含 Applied AI 等岗位
- Google Careers —— Google 官方招聘，Research Scientist / ML Engineer 岗位