近年来，各类招聘网站上出现了大量与 AI 相关的岗位：算法工程师、大模型工程师、AI 应用工程师、提示工程师、机器学习平台工程师……岗位名称五花八门，职责描述也各不相同。同样叫“AI 工程师”，有的岗位需要训练千亿参数的模型，有的岗位主要负责把大模型能力集成到产品中。 弄清楚不同岗位的实际工作内容和能力要求，才能有针对性地规划学习和职业发展。

AI 相关岗位的主要类型

1. 模型研发 / 算法研究

工作内容：设计和训练模型，改进模型架构和训练方法，进行预训练、后训练和对齐研究。

核心技能：扎实的数学基础（线性代数、概率统计、优化理论），深度学习理论，大规模分布式训练经验，阅读和复现论文的能力，通常需要较强的研究背景。

2. 推理与基础设施

工作内容：模型的部署、推理优化、服务化，GPU 集群的管理和调度，降低推理成本和延迟。

核心技能：高性能计算、GPU 编程基础、推理引擎、量化与模型压缩、分布式系统、云原生技术，参见 vLLM 推理服务入门。

3. 数据工程

工作内容：训练和微调数据的采集、清洗、标注和管理，数据质量体系的建设。

核心技能：大规模数据处理、数据质量管理、标注流程设计，以及对数据如何影响模型能力的理解，参见微调数据集构建指南。

4. 大模型应用开发

工作内容：基于大模型构建产品功能和解决方案，包括知识库问答、Agent、工作流自动化等。

核心技能：详见下文。这是目前需求量最大的方向。

5. AI 产品经理

工作内容：定义 AI 产品的需求、体验和评估标准，协调技术与业务。

核心技能：理解模型能力边界、AI 产品设计、评测体系设计、业务理解，参见 AI 产品设计原则。

大模型应用工程师的能力模型

一、工程基础（必备）

  • 至少精通一门编程语言，Python 或 TypeScript 最为常用；
  • 后端开发：API 设计、数据库、异步编程、缓存、消息队列；
  • 软件工程实践：版本控制、测试、代码评审、持续集成；
  • 基本的前端能力，能搭建可用的界面。

很多人低估了这一部分的重要性。实际工作中，大量时间花在与现有系统集成、处理数据和保证系统稳定性上。

二、大模型核心能力（必备）

  • 理解大模型的工作原理、能力边界和常见问题，如幻觉、上下文限制；
  • 熟练的提示工程：结构化提示、少样本、思维链、结构化输出；
  • API 调用与工具调用，参见 Function Calling 详解；
  • 能够根据任务需求选择合适的模型，并权衡效果、成本和延迟。

三、RAG 与 Agent（核心）

  • 文档解析、切分、向量检索、混合检索、重排序；
  • 向量数据库的使用和选型；
  • Agent 设计：规划、工具、记忆、错误处理、人机协作；
  • 理解主流开发框架的原理，同时能在必要时不依赖框架实现。

四、评测与质量保障（区分度高）

  • 构建评测集，设计评估指标，参见如何构建评测集；
  • 使用大模型辅助评估并进行校准；
  • 线上监控与持续迭代；
  • 提示词版本管理和回归测试。

这是区分初级和高级工程师的重要能力。能做出演示的人很多，能用数据证明系统可靠并持续改进的人相对较少。

五、安全与合规（加分项）

  • 提示注入等安全风险及防御；
  • 数据隐私保护与权限控制；
  • 对相关法规的基本了解。

六、业务理解与沟通（长期竞争力）

  • 理解业务问题，判断 AI 是否是合适的解决方案；
  • 与产品、业务、领域专家有效沟通；
  • 管理期望，清楚地说明 AI 能做什么、不能做什么。

求职与面试建议

用项目展示能力

准备一两个完整的项目，最好是部署上线、有真实用户使用过的。在介绍项目时，重点讲：

  • 解决了什么问题，为什么选择这个技术方案；
  • 遇到了哪些困难，如何解决；
  • 如何评估效果，效果如何，做了哪些迭代；
  • 如果重新做，会有什么改进。

展示对局限性的理解

面试中能清楚地讲出大模型的局限、自己项目中失败的案例以及应对方法，往往比只讲成功案例更能体现专业性。

持续学习的证据

技术博客、开源贡献、参与技术社区的经历，都能证明你的学习能力和热情。

学习路径可参考 AI 应用开发学习路线。

小结

AI 工程师的岗位类型多样，从模型研发、推理基础设施、数据工程到应用开发和产品，所需的技能差异很大。对于需求量最大的大模型应用工程师，扎实的工程基础、大模型核心能力、RAG 与 Agent 技能是基础，评测与质量保障能力是区分度所在，安全合规和业务理解则决定了长期的竞争力。