最近两年几乎每次和朋友聊天都绕不开一个词大模型。招聘软件上随手一搜挂满“大模型”“LLM”“AIGC”字样的岗位越来越多身边也有不少小白朋友和程序员前辈问我说“现在入局还来得及吗这些岗位到底干什么我怕不是被岗位名字忽悠了。”说实话大模型岗位并不神秘但如果你只是刷JD大概率会被各种名词绕晕预训练、SFT、RLHF、RAG、Agent、AI Infra……这篇内容我就把这些岗位掰开揉碎从从业者的视角帮大家理清楚15个大模型核心岗位是哪些各自做什么适合什么样的人小白和程序员分别该怎么切入。不敢说看完就能拿offer但至少能让你不再“看招聘像看天书”。1. 先盘一盘行业现状大模型岗位这碗饭到底香不香1.1 热到发烫的岗位需求背后企业在招什么人这两年身边猎头打电话的频率肉眼可见变高了而且开场白几乎都换了以前问“考不考虑做后端”现在直接问“熟悉不熟悉大模型做不做RAG/Agent/训练推理”。市场上的岗位确实多但很多人的第一反应是懵感觉机会到处都是又感觉哪一个都够不着。我的观察是大模型岗位的爆发不是单一方向的而是整个产业链条在同时抽枝。最上游是模型建设方他们在拼命训练更大的底座模型需要算法、训练、对齐等人才中游是平台与工具方他们在做部署框架、训练平台、数据工具需要大量懂工程的人下游是应用方各行各业都在琢磨“怎么把模型用起来”于是在做Agent、知识库、智能客服、行业方案。岗位多本质上是这条产业链上的每个环节都在扩张。企业想要的不是一个“懂点大模型”的万金油而是能在某个环节扎下去解决问题的人。面试时被问倒、简历被刷掉往往不是因为不够聪明而是没想清楚自己在产业链的哪个位置、该往哪个方向使劲。所以这篇文章不是简单罗列岗位而是帮你建立一张“岗位地图”先看清全貌再选自己的路。1.2 15个核心岗位的完整地图与分类逻辑为了避免十五个岗位看花了眼我把它们按职责目标分成四条主线算法研究线、工程基础设施线、数据与质量线、应用产品线。这样分类的逻辑不是按职称高低而是按“这个岗位在解决模型生命周期里的什么问题”来划分。岗位群核心岗位一句话职责典型适合人群算法研究线大模型算法工程师预训练方向设计模型结构、数据配比、训练策略算法基础扎实的研究型选手算法研究线大模型训练工程师推进训练任务跑稳、跑快、跑连续懂分布式系统和深度学习的工程型算法算法研究线大模型对齐/RLHF工程师让模型说人话、守规矩、符合预期对强化学习和偏好优化有理解的人工程基础设施线AI基础设施工程师搭GPU集群、训练/推理平台底座传统后端、SRE、系统工程师工程基础设施线大模型推理优化工程师降低延迟、压成本、提高吞吐C/CUDA基础扎实的偏底层开发者工程基础设施线大模型平台开发工程师做MLOps平台管模型生命周期后端/全栈工程师转岗数据与质量线大模型数据工程师清洗、配比、治理训练语料有大数据经验的数据工程师数据与质量线大模型数据标注专家定义标注规范管理数据生产有过标注管理/众包经验的人数据与质量线大模型评测工程师设计评测集、评估效果、找badcase逻辑严谨懂统计和业务分析的人应用产品线提示词Prompt工程师设计提示词与交互范式把模型调教好文案理解力强、爱琢磨模型的人应用产品线RAG应用开发工程师把外部知识接入模型做问答与检索后端/全栈工程师懂向量数据库应用产品线Agent应用开发工程师让模型会调用工具、会规划行动后端工程师偏系统设计和状态管理应用产品线AI产品经理挖掘场景、定义需求、评估效果产品经理/转行者应用产品线大模型解决方案架构师面向企业客户做技术落地方案售前、架构师、技术顾问应用产品线大模型安全与合规工程师防提示词攻击、防滥用、护隐私安全工程师、研究型选手这里要特别说明岗位名称在不同公司可能略有差异有的公司叫“大模型算法工程师”有的叫“LLM工程师”“AIGC研发工程师”但看JD的核心描述就能对号入座。你不需要十五个都懂但一定要搞清楚哪一两个跟你的背景最匹配。2. 核心岗位深度拆解15个岗位到底在做什么要求什么2.1 算法与研究线定义模型能力的那些人**大模型算法工程师预训练方向**是目前听起来最“高大上”的岗位。工作内容主要是模型架构设计、训练数据配比、超参数调试、loss设计常见的说法是“从零训练底座模型”或者在大规模语料上做继续训练。这个岗位对基本功的要求非常硬核要理解Transformer结构为何有效要能看懂attention的各类变体要熟悉优化器、学习率调度、数据混比策略。面试官喜欢问的问题包括显存怎么估算、梯度检查点怎么用、数据重复对模型有什么影响、Loss spike怎么排查。说白了这个岗位是在“制造大脑”适合真正热爱技术底层原理的人。大模型训练工程师与算法工程师经常被人混为一谈但侧重点完全不同。训练工程师更像“驯兽师”目标是让训练任务持续稳定地跑完——集群里某张卡挂掉怎么办、训练中期loss发散怎么回滚、如何把分布式训练时间从三个月压到一个月。这个岗位需要掌握混合精度训练、梯度累积、分布式数据并行/张量并行/流水线并行、断点续训等知识。日常你大概率在写运维脚本、盯监控、看日志而不是设计模型结构。很多同学误以为训练工程师是算法岗位的“备胎”实际上它的稀缺程度非常高因为真正跑过大规模训练的人太少了。大模型对齐/RLHF工程师做的是模型发布前最关键的一步让模型不仅能力强还要“听话”。所谓对齐就是把模型从“知道很多但爱乱说”调教成“回答得体、符合预期、有基本安全底线”。核心工作包括构造SFT数据、训练奖励模型、做PPO/DPO/GRPO这类强化学习算法还要分析模型哪里出现越狱、幻觉、偏见。这个岗位最需要的是“既要懂算法又要懂人和语言”因为数据构造的质量直接决定对齐效果。对刚入行的人来说门槛不低但如果你有强化学习背景或者做过自然语言处理切入的难度会小很多。现在不少公司将“对齐工程师”细分成“SFT数据工程师”“RLHF算法工程师”“安全对齐工程师”选岗时可以留意。2.2 工程基础设施线让模型跑得动、跑得省的人**AI基础设施工程师AI Infra**是这几年最被低估的岗位之一。很多人觉得写模型才叫AI做集群不就是在机房插卡吗实际上一个千卡级集群的效果很大程度取决于Infra团队的发挥。GPU互联拓扑怎么设计、存储性能怎么满足数据加载、K8s调度怎么避免资源碎片化、故障发生时如何快速迁移任务这些事情没有扎实的System基础很难做好。常见工具包括Slurm、Kubernetes、Docker、NVIDIA驱动与CUDA环境、高性能文件存储。这类岗位的面试很少考深度学习八股更看重资源管理、并发处理、故障排查的工程能力。对于传统后端、SRE、运维开发来说这几乎是转型大模型行业最顺滑的入口。大模型推理优化工程师是“把模型当产品交付”的关键角色。一个模型训练完企业不可能原样部署因为单个请求推理时间太慢、GPU显存放不下、成本太贵。推理优化工程师要做的事情就是量化INT8、INT4、剪枝、蒸馏、KV Cache优化、PagedAttention、动态批处理、算子融合把时延从几百毫秒压到几十毫秒把成本打下来。这个岗位对C、CUDA、GPU体系结构的要求极高面试常问的问题包括显存带宽与时延的关系、量化误差怎么评估、为什么Prefill和Decode要分开优化。如果你之前写过CUDA或者做过高性能计算这就是你的蓝海赛道。大模型平台开发工程师是衔接算法与工程的桥梁。模型不能总让人肉手工训练和部署需要一套平台让大家能上传数据、发起训练、自动评测、上线服务。平台开发工程师负责的就是这套MLOps框架包括任务编排、实验管理、模型仓库、在线服务网关。技术栈以Go/Java/Python为主前端Vue/React偶尔也要碰。这类岗位对深度学习理论要求不高但对软件工程、系统设计能力有明确要求。换句话讲如果你是个还不错的后端工程师又不想丢掉写代码的老本行平台开发岗是值得重点关注的方向。2.3 应用产品线把模型真正用起来的那些人先说提示词Prompt工程师。这个岗位听起来门槛低有些人觉得“不就是跟AI聊天吗”但真正做得好的Prompt工程师更像是“人机交互的翻译官”。他们需要拆解业务意图设计系统提示词、上下文结构、few-shot示例还要对模型输出做自动化评估。实际工作中要写大量测试用例一遍遍调prompt总结什么指令格式能让模型更稳定。这类岗位尤其适合语言表达能力强、逻辑清、愿意跟模型“死磕”的人。不过我也要诚实提醒你纯提示词岗位的天花板相对有限现在很多公司把它并入应用开发或产品运营职责里纯靠Prompt岗位长期发展需要持续补齐工程或产品能力。RAG应用开发工程师是近两年需求最旺的岗位之一。RAG全称是检索增强生成简单说就是让模型在回答前先“查资料”再基于资料回答从而缓解幻觉、引入实时知识。企业做智能客服、企业知识库、文档问答基本绕不开RAG。这个岗位的技术栈包括文档解析与切分、向量化、向量数据库、混合检索、重排序、上下文压缩、答案生成。你要理解“召回率/准确率”“切分粒度”“embedding模型选型”这些概念。面试官会问为什么切分太大太小都不好BM25和向量检索怎么融合先生成后检索和先检索后生成有什么区别后端出身的人做RAG非常自然因为它本质上是工程问题。Agent应用开发工程师是更进阶的应用岗。Agent不再是简单的“一问一答”而是让模型具备“感知-规划-行动”的能力拆解任务、按步骤执行、调用外部工具搜索、代码、数据库、API、根据结果反思修正。常见的落地场景包括智能客服办业务、数据分析助手、自动化测试代理人。开发Agent比做RAG复杂很多因为要考虑工具调用的可靠性、状态管理、多轮上下文维护、任务失败后的重试策略。很多Agent项目最终不是被模型能力卡住而是被工程复杂度拖垮。所以这类岗位非常青睐后端系统设计能力强、思维严谨的工程师单纯“调API选手”很难撑起项目。AI产品经理不是传统互联网产品经理换个名字那么简单。你仍然要做用户调研、需求分析、原型设计但最大的区别是必须深刻理解模型的能力边界。你需要知道模型什么时候会“一本正经胡说八道”RAG能解决什么问题、不能解决什么问题一次调用成本大概是多高怎么做效果评估才能让人信服。很多做AI产品的前辈都有一个共同感受与其问“用户想要什么”不如先问“模型能做什么”。熟悉各大主流模型的差异、能亲手搭Demo验证想法是加分项。如果你是产品岗位想转过来建议从“AI产品的文档型岗位”入手比如写需求文档、整理数据标注规范、做评测case逐步积累手感。大模型解决方案架构师更偏向ToB场景。企业客户不关心你的模型多厉害只关心有没有解决他的业务问题。解决方案架构师要把客户的业务需求翻译成技术方案用API还是私有化部署要不要微调需要配RAG吗数据安全怎么保障报价和交付周期怎么估算这岗位既要有广度了解模型、算力、数据三要素又要有极强的沟通能力。日常需要经常出差、做方案宣讲、支持投标。传统售前工程师、解决方案架构师转型过来有天然优势只要再补上AI技术栈很容易成为企业端炙手可热的人。大模型安全与合规工程师是这几年新出现的岗。大模型带来的安全挑战和传统网络安全完全不同有人用提示词注入绕过系统有人诱导模型泄露训练数据有人批量生成恶意内容。安全工程师要模拟攻击、测试漏洞、设计防御策略还要关注数据隐私、版权合规、内容审核机制。这个岗位既需要安全攻防的底子也需要理解大模型的行为规律。行业里人很缺因为既懂安全又懂大模型的人非常稀少。如果你有安全背景或者在红队/蓝队待过那这个方向值得认真考虑。2.4 数据与质量线决定模型上限的后勤部队大模型数据工程师负责的事听起来简单粗暴把互联网上所有能拿到的文本清理干净、整理成模型能吃的语料。实际做起来极其琐碎又关键字符级噪声清洗、去重包括同义改写的精排去重、PII个人信息脱敏、低质量内容过滤、多语言配比、合成数据生产。你还要搭数据流水线搞分布式计算跟踪每一批数据的来源与质量。对模型来说训练数据的质量和配比往往比模型结构更影响最终效果所以数据工程师在团队内部的话语权不小。如果你是做大数据出身懂Spark/Flink又愿意深入了解文本这个职位能让你很自然地切进大模型行业。大模型数据标注专家是被很多人低估的岗位。表面上是指挥别人“给文本打标签”实际上要负责定义标注规范、设计质检流程、管理众包团队、分析标注错误率、优化成本。更重要的是标注专家往往最先感知到业务问题——当模型输出乱跑的时候大概率是标注规范没定好。做这个岗位不要求会写多少代码但要求极强的抽象归纳能力。很多后来做数据策略、模型评测、AI产品的人都是从这个岗位起步的。非技术背景的小白如果想入局大模型这可能是最友好的一块跳板。大模型评测工程师的职责是给模型“打分”。一个模型发布前究竟比上一版强在哪、弱在哪不是靠感觉而是靠评测集和评测方案说话。你要设计客观题、主观题、对话体验、安全围栏等多维度评测体系跑模型输出做统计分析定位badcase再反向推动数据或算法优化。这个岗位需要你用工程手段实现评测自动化也需要你用产品思维理解“什么对用户更重要”。面试官喜欢问准确率提升2个点能说明模型变好了吗不同模型输出的风格差异怎么量化评测如何避免评测集被“刷榜”逻辑严谨、会写脚本、喜欢找规律的人很加分。3. 小白和程序员分别怎么入行制定自己的进攻路线3.1 非技术背景小白三条现实可行的路径如果你没有写代码基础又想进入大模型行业最忌讳的是上来就啃Transformer源码然后被劝退。我建议按以下路径切入路径A数据标注与技术运营路线。先找一个数据标注、数据运营、模型评测相关的岗位哪怕是外包岗位尽快进入行业内部。你会接触到真实的数据规范、模型效果case、项目协作流程这些经验对后续转岗极为重要。做满六到十二个月后往数据工程师、AI产品运营或评测方向转。路径BPrompt与产品策划路线。如果你是文案能力强、逻辑清晰的人可以直接投Prompt工程师或AI产品助理。准备方式很简单但需要刻意练习每天用主流模型跑固定任务记录不同prompt写法对结果的影响形成自己的prompt方法论。面试时能拿出“针对某类业务场景我用什么prompt结构为什么有效”的案例比背一百个名词管用得多。路径C解决方案与商业模式路线。如果你有行业经验比如教育、医疗、电商领域的业务背景可以走行业解决方案方向。企业要知道“大模型能在我的行业做什么”靠的就是既懂业务又懂AI的翻译者。你需要先学会演示各类AI能力再结合老本行写方案把自己包装成“行业AI”的复合型人才。三条路没有哪条是轻松的但共同点是“先上车再换座位”。先进入一个相关性岗位比在门外空想强太多。3.2 程序员从旧技术栈转移找准自己的跳板程序员转大模型的优势是工程能力但也不能不看技术栈盲目扑进去。我给几个比较顺滑的迁移方向后端工程师Java/Go/Python→ RAG应用开发 / Agent开发 / 大模型平台开发。你本来就懂接口设计、数据库、缓存、分布式这些正是应用层岗位硬技能。补上向量数据库、Prompt工程、模型API调用、相关框架即可。SRE/运维开发 → AI基础设施工程师。你熟悉容器、编排、监控、故障应急正好无缝对接到GPU集群管理。补上GPU基础、CUDA环境、分布式训练调度概念就是加分项。C/高性能计算 → 推理优化工程师。你对内存、算子、体系结构敏感这是做推理优化的宝贝。补上深度学习推理框架和模型压缩知识市场竞争力很强。纯算法工程师 → 大模型算法/对齐工程师。你懂模型训练、评估、数据处理转大模型算法相对顺滑关键是找到一个小方向深耕比如擅长的NLP任务或搜索排序改造成大模型的下游任务。不管你从哪个技术栈过来有几项通用知识必须补齐Transformer结构和attention的计算逻辑、主流模型的API调用与参数含义、LoRA/QLoRA微调的基本原理、RAG与Agent的概念和应用场景、大模型部署的基本流程。不一定每个都精通但至少要能聊、能查、能动手。3.3 作品集、简历与面试的具体打法在大模型岗位的招聘里项目经验远比学历吃香。你不需要真在大厂工作过但你要有拿得出手的“证据链”。我见过不少候选人靠个人项目拿到面试机会核心方法是做一个可复现的小项目并开源。比如做一个基于RAG的文档问答助手放到GitHub上README写清楚技术架构、选型原因、效果数据。面试官打开链接就能看到你写过的代码、踩过的坑比简历上“熟悉RAG”三个字强百倍。把项目过程写成技术博客。讲清楚你解决的一个具体问题比如“解决长文档切分导致上下文丢失的问题”包含你的思考过程和对比实验。面试官问起来你能流利作答这就是最好的自我证明。简历上写“解决了什么问题 采用了什么方法 拿到什么量化结果”。举例“针对客服问答场景使用RAG方案通过混合检索和重排序将答案命中率从68%提升到82%。”这个描述比“负责智能客服开发”有价值得多。面试准备上不用把精力花在“背诵大模型发展史”上多去手推一遍attention的计算过程多想想“如果我要在50张卡上训练一个7B模型显存怎么够用”多问自己“如果我做一个知识库问答产品数据来了该怎么处理”。面试官真正想确认的是你遇到一个没见过的技术问题是否有拆解和试错的习惯。4. 我不会踩的坑常见误区与高频QA总结4.1 劝退一大半人的三个认知误区误区一只有做预训练、写模型结构才算大模型岗位。事实是产业链上90%的岗位不在“从零训模型”而在把模型用起来、优化起来、评测起来、部署起来。很多人非要盯着“大模型算法工程师”这一个头衔结果错过了一堆真正适合自己的方向。别被“算法”两个字限制住。误区二会用模型API就算入行了。会调API只是最底层的能力就像会用搜索引擎不等于做搜索引擎一样。真正被企业认可的能力是知道API背后模型的局限能通过工程或数据手段补足这些局限能设计评测体系证明效果提升。只有“用”没有“造”无法形成足够竞争力。误区三面试就是背八股。大模型行业变化太快很多面试官自己也在边学边面所以他们更看重候选人的学习方法和思维链路。与其嘴上说“我了解RAG”不如现场演示一次“拿到一个PDF问答需求你会怎么拆解”与其背概念不如坦诚地说“这个我还没深入但我的排查思路是先从数据看再定位到检索环节”。面试官想看到的是真实的解决问题路径。4.2 高频问题速查表入行前先自测问题简要思路提醒大模型为什么需要RAG解决知识时效性、私有知识、幻觉问题SFT和RLHF的区别SFT是模仿学习RLHF是偏好优化LoRA为什么省显存冻结原参数只训低秩矩阵如何估算推理显存参数精度 KV Cache 激活值模型回答不稳定怎么办调prompt结构、做后处理、必要时微调RAG召回效果差先查什么先查切分质量和embedding模型再查检索策略Agent工具调用失败的常见原因工具描述不清、返回格式解析出错、状态管理缺失评测大模型回答好不好有哪些方法人工打分、规则判断、用强模型当裁判、指标计算企业私有化部署大模型要考虑什么算力预算、显存大小、并发量、业务数据安全Prompt太长导致成本变高怎么办精简上下文、做缓存、缩小few-shot规模这十个问题基本上覆盖了应用层岗位面试的常见切面。建议每个问题都写一段三百字的理解再动手做个小实验验证比单纯背答案有用得多。4.3 从我经历过的人和事来看什么样的人更容易被录取这几年我认识了一些转型成功的人也面过一些背景平平但表现优秀的候选人。总结下来最容易被录取的人往往具备三个特征第一有“成品意识”。他们不是学了一堆零散概念而是拿出过一个能跑、能看、能讲解的完整Demo第二有“数据敏感度”。他们评估任何方案第一反应都是“怎么量化效果”而不是“感觉效果好”第三有“自我更新习惯”。他们在聊到不熟悉的新模型、新框架时不是慌而是能快速说出去哪里查、怎么跑通、什么思路验证。反过来最容易被刷掉的人也有共同点简历上堆满了“精通”“熟悉”但问到细节就卡壳项目说了一大堆但追问“你自己负责哪块、出了什么问题、怎么解决”时含糊其辞。面试官一天面很多人最怕的就是“看起来很懂一聊就碎”。如果你正在犹豫是否入行我给一个非常具体的建议花两周时间给自己定一个题目比如“给自家公司的产品做一个智能文档问答助手”从一个环境搭建开始把流程完整跑一遍包括数据解析、切分、向量化、检索、生成、评估流程都过一遍。这个过程会让你真正体会大模型应用开发的甜和痛。走完这一遍你再回头看那些岗位JD很多术语你就看得懂了再面试时你也知道该往哪个方向补课。我个人在实际操作中最深的体会是大模型岗位的门槛没有想象中高但学习曲线比想象中陡尤其考验一个动作——把“好奇心”快速转化成“动手验证”。很多知识光靠看文章永远记不住只有在自己跑通一遍、炸掉一遍、修复一遍之后才会长在身上。这篇文章整理的十五个岗位只是帮你画了一幅地图真正决定你走到哪里的永远是你在某个具体方向上的动手深度。选一个你最有感觉的切入点干进去比在原地纠结“哪个岗位更热门”有价值得多。