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 条在招岗位类型公司互联网大厂百度、腾讯、阿里巴巴、字节跳动、快手、美团、京东大模型独角兽DeepSeek、Moonshot、MiniMax、智谱 AI3.2 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 1LLM 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 2LLM 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 18LLM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 Use17次、Memory13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LLM15次和SFT15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-Video4次、Video Editing4次、Ref-to-Video3次合计11次接近Diffusion8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vLLM27次几乎与LLM30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 SGLangvLLM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、RL19次SFT14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、MCPAgent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 LLM7次和 AI Agent5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 Code4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。