在ChatGPT和DeepSeek掀起的智能革命浪潮下，AI研发工程师、AI产品经理、大模型开发、训练师等新兴岗位开始大量涌现，但是很多求职者会面临一些求职困惑：招聘网站的JD术语晦涩，难以精准匹配自身能力；面试准备迷茫，不知从何开始；对岗位所需的算法基础、工程能力、业务理解等核心技能边界模糊…

基于此，邀请到了4位不同岗位的大模型在职人士，从不同岗位视角为广大希望入行AI的应届生及转型AI的传统开发者进行经验分享，拆解当前就业趋势，助力求职者打破信息差，精准锚定岗位目标，系统化构建竞争力。

※ 篇幅原因，仅展示部分分享内容，可于和鲸社区查看完整版回放录屏

分享内容实录

感谢大家的参与。我叫新宇，之前是vivo的数据分析师，现在成功转型为AI开发工程师，负责内部大模型及Agent相关系统的研发。我的分享将聚焦于从传统数据分析师转型到AI开发工程师的过程，特别针对那些希望在二线城市或中小型企业从事数据分析与AI开发结合工作的同学。我会分享数据分析师与AI开发工程师的技能共性与差异，以及转行面试的准备建议。

01

AI趋势与数据分析师的挑战

AI的快速发展对数据分析领域产生了巨大冲击。例如，在电商行业，AI用于个性化推荐和评论情感分析；在金融行业，AI分析征信报告以评估贷款风险，或通过用户交易行为识别洗钱活动。这些能力对数据分析师至关重要。传统数据分析已难以满足企业需求，拥抱AI技能是适应时代发展的必要路径。这也是我从数据分析师转型到AI开发工程师的原因。

市场需求变化很大，企业不仅需要数据分析，还可能涉及爬虫等技术。通过AI手段开展爬虫能有效支持数据分析。我的职业路径是：最初做测试相关的数据分析，后来回到武汉从事数据治理和自动化爬虫工作，之后转向大数据开发，并开发了OCR识别等模型。这些经验为后续转型AI开发提供了跳板。赶上今年AI热潮，我成为AI开发工程师，负责相关研发工作。

02

数据分析师与AI开发工程师的

技能共性与差异

数据分析师的技能

数据分析师的技能主要包括三方面：

1

数据处理与分析

核心工具包括SQL用于数据提取，Excel、Python（尤其是pandas）用于数据处理。一些金融机构可能使用R或SAS，但掌握Python足以应对大多数场景，后续学习成本较低。可视化工具如Tableau、Power BI或Streamlit用于生成热力图等图表。

2

统计学基础

需理解均值、方差、假设检验、置信区间等统计学概念，为数据分析提供理论支持。

3

进阶能力

若想进一步发展，需学习机器学习算法（如回归、分类、聚类），使用Scikit-learn进行模型训练、特征优化和参数调优，并掌握评估指标如准确率、精确率、F1分数和AUC。这些为转型AI开发打下基础。

AI开发工程师的技能

AI开发工程师是工程岗位，对编程能力要求较高：

1

编程能力

需精通Python的模块化开发，掌握Flask或FastAPI进行服务部署和API封装，这是AI开发的核心技能。

2

机器学习与深度学习

需理解监督学习、无监督学习和强化学习，掌握过拟合控制、交叉验证等技术，熟悉Transformer、CNN、RNN等模型架构。这些知识在面试中尤为重要。

3

算法与数学基础

线性代数、微积分、概率论和统计学是基础。算法方面需了解梯度下降、反向传播等概念。在校生应扎实掌握这些课程。

共性与差异

数据分析师和AI开发工程师在高等数学（线性代数、微积分）、概率统计（概率分布、假设检验、置信区间）以及模型优化（梯度下降、优化器）方面有共同语言。

差异在于，AI开发工程师需更深入的业务理解。例如，在电商行业，需开发智能客服或AI数字人；在服装设计行业，需掌握图像处理技术，如使用Hugging Face模型或Stable Diffusion构建图像处理工作流。工程能力方面，AI开发工程师需将训练好的模型或工作流部署到生产环境，使用FastAPI、Flask或Docker进行封装。若涉及大数据，Hadoop和Spark等技术也需了解。

03

工作重点对比

数据分析师	AI开发工程师
主要提供洞察与建议，负责数据收集、清洗、分析和可视化，通过建模或分析生成报表，为业务决策提供支持。属于业务辅助岗。	重点解决实际业务问题，开发工作流或模型以满足具体需求。例如，在服装行业，将图片抠图后应用于模特，或展开图片等操作。工作直接服务于业务。

|

04

合作案例

数据分析师与AI开发工程师常协作。例如，在用户数据分析中，数据分析师挖掘长期问题，提取历史数据关键词，构建用户画像。AI开发工程师基于这些特征，使用NLP技术构建对话模型，优化适配电商平台的智能客服需求。随后，模型被部署为API，供前端展示和处理用户提问。

05

技能侧重点

数据分析师	AI开发工程师
更注重数据处理和业务理解，需熟练使用Python、Excel、SQL等工具，掌握BI工具更佳。	需扎实的编程能力和算法基础，熟练使用TensorFlow、PyTorch等框架，通过FastAPI或Flask部署模型为API服务。了解Airflow、Kubeflow等AI工作流平台以及Docker容器化部署也很有帮助。

|

两者均需良好的数据理解能力和团队沟通能力。数据分析师提升决策质量，AI开发工程师优化业务流程、提高效率、降低成本，共同驱动业务增长。

06

面试技巧

数据分析师

面试强调业务洞察和数据驱动决策能力，需展示如何优化流程、提升效率或收入。

1

工具使用

在简历中明确Python、SQL等工具的使用经验，最好有实际项目支撑。如Kaggle上的加州房价预测或MNIST手写数据集项目，可实践算法并写入简历。

2

沟通能力

数据分析常涉及跨团队沟通，需锻炼表达和协作能力。

AI开发工程师

面试突出深度学习和AI相关经验，展示使用机器学习或深度学习模型解决实际问题的能力。

1

项目落地

强调项目经验，分析所用技术及原因，优化过程。AI工具可辅助代码编写，但需实际操作并深入理解。

2

算法能力

通过LeetCode刷题提升算法能力，Kaggle竞赛积累实战经验。选择电商或金融等感兴趣领域的项目，写入简历。即使无实际工作经验，清晰拆解问题并展示深入理解也能加分。

3 面试问题

常见问题包括：如何选择模型？为何选择该模型？如何调优避免过拟合？如何评估模型表现？需熟悉模型评估和算法基础，确保回答无明显漏洞。

4 表达技巧

遵循“清晰表达、结合项目经验”的原则。面试后可主动提问，展示对AI的热情、学习能力和对公司项目的兴趣，如询问项目规划，留下良好印象。

07 学习建议

阅读论文

定期在ArXiv查看AI最新研究，关注Medium或CSDN的技术分享，了解实践经验。

参与活动

参加行业会议，与专家交流，了解技术趋势。

开源项目

在GitHub贡献代码，提升工程能力，在论坛分享经验，增强影响力。

08

问答环节

Q

AI开发工程师的日常工作内容是什么？

A

主要开发工作流，如智能知识库，封装为API供前端调用。需确保模型准确率（问题与答案一致）和响应效率（避免过长延迟）。工作包括选型模型、搭建工作流、验证有效性。

Q

算法岗与工程岗的区别及选择建议

A

取决于兴趣。若对算法钻研感兴趣，优先尝试算法岗，通过项目积累经验。若发现更适合偏业务的岗位，可转向数据分析。从数据分析转AI开发或算法较难，除非对机器学习和深度学习有强烈兴趣并愿意深入研究。今年AI岗位需求激增，即使在武汉这样的二线城市，数据分析师也有机会转型AI开发。关键是做好项目，准备好简历。

Q

数据分析专业的证书与实习建议

A

我以项目为主，未特意准备证书。从大学开始在Kaggle刷项目，积累经验。若证书投入精力不大，可考1–2个。但社招更看重实际问题解决能力，建议优先做项目。

Q

AI行业对学历的要求高吗？

A

我来自双非院校，当前行业对学历要求较前两年降低，岗位需求和内容变化大，机会增多。即使是双非或无研究生学历，只要尽早学习、准备简历，仍有机会。尤其在二线城市如武汉，AI开发岗位快速增长。保持自信，积极尝试。

和鲸社区是全球领先的中文人工智能实践社区，汇聚近百万数据人才，以海量数据资源、实战案例、学习资源与丰富的人工智能实训活动助力广大数据智能爱好者在实践中快速成长。您可复制下方链接至浏览器，探索和鲸社区大模型专区通用大模型及大模型在领域内应用，从理论到实践，快速掌握大模型应用技能，全程免费~

https://www.heywhale.com/home/special/detail/644786dcf0879b1b4a53b6f9

此外，和鲸科技基于其数据科学协同平台 ModelWhale，助力大小模型协同，面向科研机构、高校及专业领域企业及个人打造大模型高效应用，也欢迎您至文末阅读原文（建议您在PC端打开）或联系和鲸工作人员前往体验~

关注我们 获取更多资讯

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！