AI 岗位画像与求职能力地图

目录

• 1. 学习目标
• 2. 面试结论
• 3. 画像方法与事实边界
• 4. AI 岗位全景图
• 5. AI 应用工程师画像
• 6. 模型与研究岗位画像
• 7. 系统与平台岗位画像
• 8. 数据与可信 AI 岗位画像
• 9. 产品与解决方案岗位画像
• 10. 相邻岗位边界与选岗方法
• 11. 求职证据、误区与检查清单
• 12. 递进面试与实践任务
• 13. 相关知识与参考资料
• 14. 总结

1. 学习目标

完成本文后，应能够：

1. 用“核心产出”而不是只看岗位名称识别 14 类常见 AI 岗位；
2. 解释每个岗位的使命、日常工作、技能、成功标准和相邻岗位边界；
3. 看懂不同岗位在 AI 产品生命周期中的主责阶段和协作关系；
4. 根据自己的技术背景和证据选择主攻岗位；
5. 把学习计划、项目作品和面试表达对齐到目标岗位。

2. 面试结论

2.1 30 秒回答

AI 岗位不能只按 Title 判断，应先看它最终交付什么。AI 应用工程师把模型能力做成业务产品；算法、训练和研究岗位创造或优化模型能力；MLE、MLOps 和推理优化让模型稳定、高效地进入生产；数据、评测和安全岗位负责数据供应、质量证明与风险控制；产品经理和解决方案架构师负责问题定义、产品验收与企业落地。选岗时应把“岗位使命、生命周期位置、核心技能、求职证据”连成一条线。

2.2 一分钟复述版

同一岗位名称在不同公司可能对应不同职责，因此我会先从 JD 中提取业务问题、核心产出、技术链路、成功指标和上下游，再判断它实际偏模型研究、训练系统、应用交付、数据质量还是产品方案。以 AI 应用工程师为例，它的核心不是写 Prompt，而是把 LLM、RAG、Agent、评测、权限、监控和降级组合成可上线系统。求职时应选择一个主方向，用一个可运行、可评测、可排障的旗舰项目证明能力，并准备相邻岗位的边界和取舍。

2.3 面试官为什么关注岗位匹配

• 是否知道目标岗位真正交付什么，而不是只会罗列模型和框架；
• 简历、项目、论文、平台或评测报告能否形成直接证据；
• 是否理解自己与算法、数据、平台、产品和安全团队的分工；
• 能否诚实区分已实现事实、设计方案和下一步规划。

3. 画像方法与事实边界

3.1 统一画像字段

字段	要回答的问题
一句话使命	把什么输入变成什么结果？
生命周期位置	主要负责哪些阶段，与哪些阶段协作？
核心产出	最终交付模型、代码、平台、报告、产品还是方案？
日常工作	一周内高频发生的工作是什么？
核心技能	哪些能力是稳定底座，哪些工具只是实现手段？
成功标准	用什么证据判断工作有效？
求职证据	拿什么项目、论文或运行结果证明能力？
明确边界	它不主要负责什么，最容易与谁混淆？

3.2 事实边界

• 已验证事实：官方岗位页和技术文档用于说明当前岗位样本；
• 归纳画像：岗位分组、适合人群和相邻岗位是求职归纳，不是行业统一标准；
• 工程建议：学习优先级和作品集需结合目标公司的真实 JD 调整；
• 不做统一结论：不提供固定薪资、统一学历门槛、固定年限、难度排行或就业分数。

4. AI 岗位全景图

4.1 gpt-image-2 教学插图：14 类岗位全景

替代文本： 一条包含八个工位的 AI 产品流水线，从业务问题与验收开始，经过数据与知识、研究与模型设计、训练与后训练、评测与安全、推理与平台、应用集成，最终进入运行监控并反馈到业务问题；14 类岗位分布在主要负责工位，细线表示跨岗位协作，安全护栏贯穿全流程。

读图结论： 每个岗位都有主要负责环节，但 AI 产品只有在业务、数据、模型、平台、应用、评测和安全协作时才能形成闭环。

技术复核： 插图包含本文定义的 14 类岗位和八阶段闭环；同一岗位在多个工位出现表示跨阶段协作，不表示新增岗位。生成图用于建立整体直觉，精确职责以正文和下方结构图为准。

4.2 精确结构图：生命周期与主责岗位

图表加载中…

替代文本： AI 产品依次经过业务、数据、研究、训练、评测安全、平台部署、应用交付和运行反馈，每个阶段列出主要负责岗位。

读图结论： 越靠左越偏问题、数据和研究，越靠右越偏平台、交付和运营；评测与安全应贯穿生命周期。

5. AI 应用工程师画像

5.1 gpt-image-2 教学插图：能力画像

替代文本： AI 应用工程师位于中央，外围六个能力模块分别是软件工程、LLM 基础、RAG、Agent/Workflow、评测与可观测、生产与安全；上方工作链从业务验收进入模型上下文、RAG、工具调用、评测、部署和反馈，并由反馈回路持续优化模型、Prompt、知识库、工作流、工具和安全策略。

读图结论： AI 应用工程师不是只写 Prompt 或聊天页面，而是对从任务定义到评测、部署、可观测和风险控制的端到端系统负责。

技术复核： 图中 RAG 先检索再构造上下文，Agent 写工具旁包含人工确认与权限，评测结果反馈到模型、Prompt、知识库、工作流和安全策略；精确能力边界以下文为准。

5.2 完整岗位画像

• 一句话使命：把 LLM、RAG、Agent 和多模态能力变成可靠、可评测、可上线的业务产品；
• 视觉记忆：业务任务 → 模型与工具工作流 → 可用 AI 产品；
• 核心产出：AI API、RAG/Agent 工作流、评测集、监控、权限和降级方案；
• 日常工作：定义任务与验收；开发检索、上下文、工具调用和状态链路；查看 Evals 与 Trace；优化质量、延迟、成本和安全；
• 核心技能：Python/后端、LLM 与结构化输出、RAG、Agent/Workflow、评测、可观测、安全和产品理解；
• 成功标准：任务成功、质量、延迟、成本、可靠性、安全和用户价值共同达标；
• 求职证据：带权限过滤、混合检索、Rerank、工具确认、离线评测、Trace、超时与降级的企业知识和业务执行助手；
• 面试重点：RAG 错误归因，RAG/微调/长上下文选择，Workflow/Agent 边界，工具幂等，回归和成本治理；
• 适合人群：有后端或全栈基础，喜欢端到端交付，也愿意处理模型不确定性；
• 明确边界：不是只写 Prompt，也不只是做聊天页面；通常不负责从零训练基础模型。

5.3 能力优先级

优先级	能力层	必须学到的程度	证明方式
P0	软件工程	Python、API、SQL、异步、缓存、队列、测试、Docker	流式服务具备超时、重试、测试和容器化
P0	LLM 应用	Token、Embedding、上下文、结构化输出、工具调用、模型选型	多模型调用与降级服务
P0	RAG	解析、切块、混合检索、过滤、重排、引用和评测	分层定位召回、排序、上下文和生成问题
P0	Agent/Workflow	工具、状态、终止、幂等、人工审批、权限和恢复	可审计、可恢复的业务 Agent
P0	评测与生产	Golden Set、回归、Trace、限流、缓存、降级、安全	基线报告、故障注入和监控证据
P1	训练与推理	PyTorch、LoRA/SFT、量化、开源 Serving 基础	解释何时需要微调或自托管

完整学习顺序见 16 周 AI 面试导向学习计划。

6. 模型与研究岗位画像

6.1 算法工程师

• 使命与视觉记忆：数据与目标 → 训练和实验 → 指标与策略提升；
• 核心产出：任务模型、数据与特征方案、训练实验、误差分析和线上策略；
• 日常工作：清洗标注、建立基线、训练调参、做消融、分析坏例和线上回退；
• 核心技能：概率统计、优化、ML/DL、PyTorch、实验设计和领域算法；
• 成功标准：离线指标可信提升，并能在真实业务中复现；
• 求职证据：包含数据切分、指标、基线、消融、坏例和验证的完整实验；
• 边界：主要对模型效果负责，不以共享平台或业务工作流为第一目标。

6.2 Research Scientist

• 使命与视觉记忆：未知问题 → 新假设与严谨实验 → 新方法和可信结论；
• 核心产出：新方法、论文、理论分析、Benchmark 和可复现实验；
• 日常工作：阅读文献、提出可证伪问题、设计理论与实验、分析失败假设、写论文；
• 核心技能：深厚数学、领域研究、统计严谨性、研究编程、实验设计和学术写作；
• 成功标准：问题重要、方法有新意、实验可复现、结论经得住质疑；
• 求职证据：论文、原创方法、开源 Benchmark、可复现实验和局限说明；
• 边界：不以按期上线业务功能为首要考核，但仍需要很强工程能力。

6.3 Research Engineer

• 使命与视觉记忆：研究想法 → 训练与评测系统 → 可规模化实验；
• 核心产出：训练评测代码、研究数据集、实验平台、模型原型和性能分析；
• 日常工作：复现论文、实现方法、扩大实验规模、定位训练和性能异常；
• 核心技能：PyTorch/JAX、深度学习、分布式训练、软件工程、实验设计和 Profiling；
• 成功标准：研究想法被快速、正确、可重复地验证；
• 求职证据：复现研究后提出改进，证明实验可重复、可扩展且归因清楚；
• 边界：相比 Scientist 更偏实现和规模化；相比 MLE 更偏研究不确定性。

6.4 LLM 训练／后训练工程师

• 使命与视觉记忆：训练与偏好数据 → 分布式优化 → 新 Checkpoint 与模型行为；
• 核心产出：模型 Checkpoint、训练 Recipe、数据配比、对齐系统和评测报告；
• 日常工作：构造语料与偏好数据，运行 SFT/DPO/RL，做消融和训练排障；
• 核心技能：Transformer、数据工程、分布式训练、SFT/DPO/RL、模型评测和安全对齐；
• 成功标准：目标能力提升、训练稳定、回退可解释、污染和安全风险受控；
• 求职证据：完整微调或后训练项目，说明数据质量、稳定性、收益和回退；
• 边界：直接改变模型权重，不以 RAG、Prompt 或业务 API 编排为主。

7. 系统与平台岗位画像

7.1 Machine Learning Engineer

• 使命与视觉记忆：模型原型 → 训练与服务 Pipeline → 长期运行的生产模型；
• 核心产出：生产模型、训练 Pipeline、模型服务、监控、重训练和发布流程；
• 日常工作：建设训练链路，评估部署模型，监控漂移、性能和故障；
• 核心技能：软件工程、机器学习、数据处理、模型服务、MLOps、监控和回滚；
• 成功标准：模型效果与服务 SLA 同时达标，版本可追溯、可灰度、可回滚；
• 求职证据：把 Notebook 模型改造成具备测试、版本、灰度、漂移监控和回滚的服务；
• 边界：负责具体模型系统的生产闭环，不一定建设全公司的共享平台。

7.2 MLOps／AI 平台工程师

• 使命与视觉记忆：多个模型团队 → 标准化平台与流水线 → 可治理的规模化交付；
• 核心产出：训练平台、Pipeline、Model Registry、GPU 调度、发布和可观测系统；
• 日常工作：建设云原生平台，维护 CI/CD/CT 和血缘，处理容量、租户、故障和成本；
• 核心技能：Kubernetes/云、IaC、流水线、模型血缘、SRE、可观测、安全治理和 FinOps；
• 成功标准：团队能自助、稳定、可追溯地交付模型，容量和隔离可控；
• 求职证据：多租户平台展示数据—代码—模型—部署追溯、灰度和恢复；
• 边界：主要建设共享能力，通常不决定具体模型结构或日常 Prompt。

7.3 推理优化工程师

• 使命与视觉记忆：模型计算图与负载 → Runtime/GPU 优化 → 更低延迟和单位成本；
• 核心产出：高性能 Runtime、Kernel、量化模型、调度器和 Benchmark；
• 日常工作：Profile 计算和通信瓶颈，优化 Kernel、量化、Batching、KV Cache，完成压测；
• 核心技能：C++、CUDA/Triton、GPU、Transformer 推理、分布式通信、量化和 Profiling；
• 成功标准：TTFT、TPOT、吞吐、显存和单位成本改善，质量回退可接受；
• 求职证据：同一模型优化前后的性能、显存、质量对比，并解释瓶颈转移；
• 边界：不负责 Prompt、RAG 或业务体验，核心是性能、成本和数值保真。

8. 数据与可信 AI 岗位画像

8.1 数据科学家

• 使命与视觉记忆：业务假设与数据 → 统计实验 → 可信结论和决策；
• 核心产出：指标体系、分析结论、实验报告、预测模型和决策建议；
• 日常工作：SQL/Python 探索、A/B 或因果分析、建模并向业务解释；
• 核心技能：概率统计、SQL、实验设计、因果推断、Python/sklearn 和沟通；
• 成功标准：分析可信、实验有效，结论影响决策并能说明不确定性；
• 求职证据：从业务假设、指标、实验设计到护栏指标和建议的完整闭环；
• 边界：首要目标是洞察与决策，不一定拥有生产模型服务。

8.2 数据工程师

• 使命与视觉记忆：多源原始数据 → 批流管道与治理 → 可消费数据产品；
• 核心产出：数据管道、数仓/湖仓、数据模型、质量规则、元数据和血缘；
• 日常工作：接入清洗，设计 Schema、分区和存储，处理迟到数据、回填和故障；
• 核心技能：SQL、数据建模、Spark/Flink、Kafka、编排、湖仓、质量和血缘；
• 成功标准：数据按 SLA 到达，正确、可重放、可追溯，质量问题能及时发现；
• 求职证据：可重放、幂等、可监控的 CDC 或流批管道及故障恢复；
• 边界：对数据可用性和正确性负责，不以模型效果或业务分析为主。

8.3 AI 评测工程师

• 使命与视觉记忆：真实任务与失败样本 → 评测系统 → 质量门禁和改进证据；
• 核心产出：Golden Dataset、Rubric、评测 Harness、失败分类、看板和阈值；
• 日常工作：抽样标注，建设规则/人工/LLM Judge 评测，分析回归和失败环节；
• 核心技能：评测设计、统计抽样、Rubric、测试自动化、Judge 校准和 LLM/RAG/Agent；
• 成功标准：评测稳定可信，能发现回退并定位模型、检索、工具或数据问题；
• 求职证据：能区分召回、生成、工具和安全错误的持续评测流水线；
• 边界：负责如何测和归因，不等于传统 QA，也不负责所有优化。

8.4 AI 安全工程师

• 使命与视觉记忆：模型与工具攻击面 → 权限、沙箱和红队 → 可控、可审计系统；
• 核心产出：威胁模型、红队测试、权限与沙箱、Guardrail、安全评测和响应机制；
• 日常工作：测试 Prompt Injection、外泄和工具滥用；实现鉴权、隔离和审计；调查事件；
• 核心技能：AppSec、威胁建模、LLM/Agent 风险、红队、IAM、沙箱、隐私和响应；
• 成功标准：攻击面和权限最小化，风险可检测、可阻断、可审计；
• 求职证据：工具型 Agent 的威胁建模、间接注入、权限隔离和缓解评测；
• 边界：不等于内容审核或 Alignment Research，不能承诺绝对安全。

9. 产品与解决方案岗位画像

9.1 AI 产品经理

• 使命与视觉记忆：用户问题 → AI 工作流与体验 → 可衡量产品结果；
• 核心产出：产品定义、用户 Workflow、成功指标、评测 Rubric、路线图和反馈闭环；
• 日常工作：用户研究、需求拆解、原型评测、体验设计和跨团队推进；
• 核心技能：产品发现、AI 边界、指标实验、不确定性 UX、成本 ROI、风险和沟通；
• 成功标准：用户任务、采用留存、业务收益、成本和风险处于可接受范围；
• 求职证据：从非 AI 基线、样本评测、拒答和人工接管到上线反馈的产品案例；
• 边界：负责为什么做、做什么和如何验收，不替代技术实现。

9.2 AI 解决方案架构师

• 使命与视觉记忆：客户约束 → 架构、选型和 PoC → 可集成生产方案；
• 核心产出：参考架构、PoC、生产设计、集成安全方案、容量成本和 Runbook；
• 日常工作：需求访谈、架构选型、PoC、排障、培训、交接和落地协调；
• 核心技能：云与后端、LLM/RAG/Agent、企业集成、安全合规、成本性能和客户沟通；
• 成功标准：方案可集成、可验收、可运维，并在安全和预算内进入生产；
• 求职证据：从 PoC 到生产的案例，说明身份、数据、评测、容量、降级和责任；
• 边界：不能只做 PPT；负责架构和采用成功，不以研究新模型为主。

10. 相邻岗位边界与选岗方法

10.1 容易混淆的边界

岗位	前者主要负责	后者主要负责	识别线索
AI 应用 vs 算法	业务工作流、RAG/Agent、评测和系统	模型、数据、训练和效果	API/Agent/Trace vs Loss/训练/消融
AI 应用 vs MLE	基础模型之上的产品与体验	模型训练、部署、监控和重训练	工具/任务 vs Pipeline/Serving/漂移
MLE vs MLOps	交付具体模型系统	建设共享平台	模型 SLA vs 平台自助和治理
Scientist vs Research Engineer	问题、方法和科学结论	实现、实验系统和规模化	Novel Hypothesis vs Implementation
Research Engineer vs MLE	研究不确定性和实验速度	生产 SLA 和长期运营	论文/实验 vs Serving/回滚
数据科学家 vs 数据工程师	分析、实验和决策	数据供应、管道和质量	统计/因果 vs ETL/Schema
AI 评测 vs QA	概率行为、Rubric 和质量归因	确定性功能测试	Golden Set/Judge vs 用例/断言
AI 安全 vs 内容审核	系统、身份、数据和工具链风险	特定内容政策	Threat Model/IAM vs 内容分类
推理优化 vs MLE	Runtime、Kernel 和 GPU 性能	模型生产生命周期	CUDA/TTFT vs Pipeline/漂移
AI 产品 vs 解决方案	产品方向、用户流程和指标	客户架构、集成与交付	用户/路线图 vs 云/安全/PoC

10.2 根据已有基础选择

主要基础或兴趣	优先考虑	重点补齐
后端/全栈，喜欢做产品	AI 应用、解决方案架构	LLM、RAG、Agent、评测和安全
数学、模型和实验	算法、Research Engineer	软件工程、分布式训练和项目证据
原创研究和论文训练	Research Scientist	大规模实现和研究表达
云原生、平台或 SRE	MLOps、MLE	ML 生命周期和模型评测
C++、CUDA、编译器	推理优化	Transformer 推理和负载 Benchmark
SQL、统计和业务	数据科学家	因果、实验和产品沟通
数据平台和流批	数据工程师	非结构化语料和 AI 数据治理
测试、统计和质量	AI 评测	LLM/RAG/Agent 和 Judge 校准
安全、攻防和权限	AI 安全	LLM/Agent 威胁和安全评测
用户、商业和推进	AI 产品经理	模型边界、AI UX 和成本风险

11. 求职证据、误区与检查清单

11.1 旗舰项目证据

目标 AI 应用工程师时，推荐完成“企业知识与业务执行助手”示例项目：

能力	项目证据
能做	服务可运行、可部署，具备结构化输出、RAG 和工具调用
能测	有 Golden Set、基线和回归报告
能查	Trace 能还原模型、检索、工具、状态和失败链路
能控	具备权限、人工确认、幂等、超时、降级和审计
能权衡	能解释模型、检索、Workflow/Agent、成本和安全选择
能复盘	有失败方案、故障演练、修复验证和后续演进

这是示例项目建议，不是当前仓库已经实现或上线的系统；没有代码和实测时，不得写成真实成果。

11.2 常见误区

• 把 Prompt Engineer 当成唯一长期职业护城河；
• 认为 AI 应用工程师只需要调用模型 API；
• 认为 Research Scientist 不需要编程，Research Engineer 不需要研究理解；
• 认为 MLOps 只是普通 DevOps 加一个模型文件；
• 认为推理优化只看吞吐，不检查质量和真实请求分布；
• 认为 AI 评测等于让另一个 LLM 随意打分；
• 认为 AI 安全等于关键词过滤或内容审核；
• 没有实测证据时编造准确率、QPS、降本和业务收益。

11.3 可复用选岗清单

• [ ] 收集至少 10 份、建议 20 份目标 JD；
• [ ] 标记每份 JD 的使命、产出、生命周期、技能、指标和上下游；
• [ ] 统计共同要求，不为单个框架名过拟合；
• [ ] 选择一个主岗位和最多两个相邻岗位；
• [ ] 为主岗位准备一个旗舰项目和证据包；
• [ ] 项目包含设计、实现、评测、故障或风险、验证和复盘；
• [ ] 准备 30 秒、3 分钟和 10 分钟三层表达；
• [ ] 不把示例项目、设计草案或假设数据写成真实经历。

12. 递进面试与实践任务

12.1 七道递进问题

1. L1 概念：为什么不能只根据岗位名称选择方向？
   • 要点：同名岗位因公司和团队不同；应看使命、产出、生命周期、指标和边界。
2. L2 边界：AI 应用工程师和算法工程师的核心边界是什么？
   • 要点：前者组合模型与业务系统，后者主要优化数据、模型和效果；两者仍需协作。
3. L3 原理：Research Scientist、Research Engineer 和 MLE 如何区分？
   • 要点：分别侧重问题与方法创新、研究实现与规模化、生产闭环与 SLA。
4. L4 实现：如何把一份 JD 转换成个人能力差距表？
   • 要点：抽取使命、产出、技术链路和指标，分核心/理解/加分，再映射已有证据。
5. L5 工程：AI Demo 上线后质量下降且成本失控，应由哪些岗位怎样排查？
   • 要点：先冻结版本和止损；应用看 Prompt/RAG/工具 Trace，评测固定回归集，平台看版本容量，数据看分布，安全查注入越权；修复后建门禁。
6. L6 架构：如何为企业 Agent 设计团队分工？
   • 要点：产品定任务，数据供语料，应用做工作流，评测做门禁，安全管权限，MLE/MLOps 管模型平台，架构师管企业集成。
7. L7 复盘：应聘 AI 应用工程师，如何设计作品集并诚实表达结果？
   • 要点：展示架构、评测、Trace、权限、失败恢复、成本和复盘；指标来自实测，示例明确标注。

12.2 实践任务

• [ ] 收集 3 家以上公司的目标 JD，并完成岗位字段标注；
• [ ] 选择一个主岗位和两个相邻岗位，写出边界；
• [ ] 制作“已有证据 / 能解释但无项目 / 尚未掌握”的差距表；
• [ ] 为主岗位设计旗舰项目，列出实现、评测、故障演练和交付物；
• [ ] 录制一次 30 秒岗位匹配回答和一次 3 分钟项目介绍；
• [ ] 回答七道问题，并按准确性、原理深度、工程意识、项目表达和沟通结构各打 0～5 分。

13. 相关知识与参考资料

13.1 相关知识

• 术语入口：AI 应用工程核心名词词典；
• 学习安排：16 周 AI 面试导向学习计划；
• 综合面试：AI 面试冲刺题库与复盘；
• 架构能力：AI 应用系统设计；
• 示例项目：AI 面试教练项目。

13.2 官方参考资料

以下资料访问日期均为 2026-07-10：

1. Applied AI Engineer, Codex Core Agent，OpenAI；
2. Careers at Google DeepMind，Google DeepMind；
3. Careers，Anthropic；
4. Professional Machine Learning Engineer Exam Guide，Google Cloud；
5. MLOps: Continuous delivery and automation pipelines in machine learning，Google Cloud；
6. Agents SDK，OpenAI；
7. What is the Model Context Protocol?，MCP；
8. Evaluation best practices，OpenAI；
9. OWASP Top 10 for Agentic Applications 2026，OWASP；
10. Optimizing TensorRT Performance，NVIDIA。

14. 总结

一句话记忆： 选择 AI 岗位时先看“交付什么”，再把生命周期、核心技能和求职证据对齐到同一条主线。

• AI 应用工程师负责把模型能力变成可靠、可评测的业务系统，不等于 Prompt Engineer；
• 模型与研究岗位创造或优化能力，系统与平台岗位让能力可训练、可部署、可运营；
• 数据、评测和安全岗位保障数据供应、质量证明和风险边界；
• 岗位名称没有统一标准，必须结合真实 JD、团队阶段和成功指标判断；
• 一个有评测、故障、证据和复盘的旗舰项目，通常比多个教程式 Demo 更有说服力。