💼 求职意向：本人目前正在积极寻找新的工作机会，欢迎各位大佬推荐或内推！🤝
📝 能力简述：详细的技术栈、项目经验及过往履历请见我的 Gitee 简历。同时，我也在持续更新技术博客，希望能通过分享与大家共同进步。
📄 我的简历：Gitee 简历链接

大模型行业已经从早期的“百模大战”逐渐走向分层细化，不同岗位的技术壁垒、薪资天花板和职业前景差异巨大。

为了让你更直观地了解这个生态，整理了一份 “难度从极高到低”的岗位全景图，并对核心岗位进行了详细拆解。

🟢AI大模型岗位

🌟岗位全景表

岗位名称	难度	核心技能	市场前景	避坑/注意事项
预训练工程师	极高	分布式训练、底层架构	💎 顶尖（高薪）	需大厂/大算力资源，否则无用武之地
Infra 工程师	极高	C++/Rust、系统底层	💎 顶尖（刚需）	别变成纯运维，要搞架构创新
后训练/基座	高	RLHF、算法优化	🌟 优秀	避免只做调参或低端标注
应用开发	中	主流AI框架、Agent、RAG、MCP	🚀 火爆（量大）	别只做API套壳，要做复杂系统
风控/安全	中	法律法规，LLM原理	🌟 优秀	不要只做“关键词匹配”，要在安全与可用间寻找平稳
模型评估	中	熟悉主流评测框架，统计学，对数据敏感	🌟 优秀	避免“纯人工打分”，核心在于“工具链”，提高评测效率
数据工程师	中低	SQL、数据清洗	🟢 稳定	别只做体力活，要懂数据质量
Prompt工程师	低	文案、逻辑思维	🔴 谨慎（红海）	极易被替代，建议作为辅助技能

---

🏆 岗位难度与价值

在进入详细分析前，通过一个梯队模型来看看这些岗位的江湖地位：

• 🥇 第一梯队（Hard/High-end）： 预训练、Infra —— 硬核技术，薪资天花板。
• 🥈 第二梯队（顶级）： 基座优化、后训练、多模态 —— 技术前沿，核心能力打磨。
• 🥉 第三梯队（高）： 应用开发 —— 需求量大，商业变现快。
• ⭐ NPC梯队：（中） 数据、风控、评估 —— 基石岗位，不可或缺。
• 🎣 第五梯队（低 - Low barrier）： Prompt Engineer —— 门槛低，易替代。

NPC 梯队是指不直接主导模型的核心研发，但却是整个大模型系统能够稳定运行、高质量输出的 “基石”和“背景板

---

🚀岗位深度分析

1. 预训练工程师 (Pre-training Engineer)

大模型领域的“皇冠明珠”，直接决定了模型的智商上限

• 岗位难度： ⭐⭐⭐⭐⭐（极高）
  • 通常要求顶尖院校博士，或具备深厚系统与算法功底的资深大佬。
• 工作内容： 做大模型最核心的事:
  • 设计底层架构，主导大模型训练全流程导基座模型的预训练全流程。
  • 处理海量无标注数据清洗
  • 监控Loss收敛
  • 解决万卡集群训练中的显存溢出（OOM）、通信瓶颈等底层系统级问题。
• 技能要求：
  • 精通分布式训练框架（如Megatron-DeepSpeed）。
  • 扎实的数学和算法基础，对深度学习原理有极致理解。
• 市场前景：
  • 薪资处于行业顶端。真正的技术护城河，掌握核心竞争力。
• 竞争力：
  • 极强。属于 “稀缺资源”，通常集中在头部大厂或独角兽。
• 避坑指南：
  • 前提条件： 必须加入拥有充足算力和数据资源的团队。如果公司算力不足，你可能只能做做模拟实验，无法积累真正的“炼丹”核心经验，简历含金量会大打折扣。

---

2. Infra 工程师 (AI Infrastructure)

AI落地的“地基”，没有他们，模型就是跑不起来的废代码。

• 岗位难度： ⭐⭐⭐⭐⭐（极高）
  • 要求精通底层系统，门槛极高。
• **工作内容：搞大模型的基础设施，保障训练任务的稳定性、快、省钱
  • 构建和优化训练与推理引擎。
  • 搞定万卡集群的调度与通信优化
  • 开发模型压缩、量化和加速技术
• 技能要求：
  • 精通 C++/Rust，具备扎实的计算机体系结构、操作系统和分布式系统背景。
  • 熟悉 CUDA、芯片底层逻辑。
• 市场前景：
  • 随着模型越来越大，对推理成本和速度的要求越来越高，Infra人才是降本增效的关键，需求持续旺盛。
• 竞争力：
  • 技术通用性强，不仅限于AI，系统级能力在任何科技公司都吃香。
• 避坑指南：
  • 警惕沦为单纯的“底层运维”或“调参侠”。要聚焦于系统架构的创新与性能突破，而不是简单的集群运维。

---

3.多模态方向 (Multimodal Engineer/Researcher)

目前公认的“下一代风口”，目标是让AI不仅懂文字，还懂图像、视频、音频，实现对世界的综合理解。

• 岗位难度： （极高）
  • 原因： 典型的“交叉学科”岗位。需要懂NLP（自然语言处理），还得懂CV（计算机视觉）甚至语音处理。技术栈跨度大，对数学功底和算法理解深度要求极高。
• 工作内容：
  • 研究文本、图像、视频、语音的联合建模。
  • 解决不同模态数据之间的对齐（Alignment）与融合问题（例如：如何让模型理解“图片中未避让行人的车”和文字描述的对应关系）。
  • 开发跨模态检索、图文生成、视频理解等应用。
• 技能要求：
  • 扎实的深度学习理论基础，精通Transformer架构及其在多模态中的变体。
  • 熟悉主流多模态模型（如BLIP, Whisper, GPT-4V等）。
  • 熟练掌握PyTorch，具备处理大规模多模态数据集的经验。
• 市场前景：
  • 想象空间巨大。 从“文本理解”走向“世界理解”是必然趋势。无论是具身智能（机器人）、自动驾驶还是创意内容生产，都极度依赖多模态技术。
• 竞争力：
  • 极高。由于同时具备NLP和CV能力的人才稀缺，这类“全栈型”AI人才在招聘市场上非常抢手，议价能力强。
• 避坑指南：
  • 切忌“简单拼接”： 不要只做把图像特征和文本特征简单拼在一起的粗暴融合。要追求深度的语义融合和跨模态交互机制的研究。
  • 关注前沿： 这个领域技术迭代极快（如视频生成、3D生成），必须保持对顶会论文（CVPR, ICCV, NeurIPS）的高度敏感。

---

4. 基座模型优化 & 后训练工程师

如果说预训练是生孩子，后训练（SFT/RLHF）就是教育孩子。

• 岗位难度： ⭐⭐⭐⭐（高）
  • 需要对深度学习理论和模型架构有深刻理解。
• 工作内容：
  • 基座优化： 探索新型架构（如MoE、Mamba），优化注意力机制，提升模型在特定领域的推理能力。
  • 后训练： 设计高质量指令微调数据集，实施RLHF流程，训练奖励模型，让模型输出更安全、更符合人类偏好。
• 技能要求：
  • 懂算法、懂数据、懂工程。
  • 需要熟悉Hugging Face生态、PEFT库等。
• 市场前景：
  • 处于技术前沿，是让模型从“能用”变“好用”的关键环节。
• 竞争力：
  • 高。特别是懂RLHF全流程的人才非常抢手。
• 避坑指南：
  • 避免只做简单的超参数调整（炼丹），或者只做低端的数据标注管理。要深入理解对齐算法的原理和Scaling Law。

---

5. 应用开发工程师 (AI Application/Agent)

目前市场需求量最大，也是普通开发者最容易切入的赛道。

• 岗位难度： ⭐⭐⭐（中等）
  • 更看重工程实践能力、业务理解能力。
• 工作内容：
  • 基于大模型API或开源模型开发具体产品。
  • 设计Agent的规划与执行逻辑
  • 构建RAG（检索增强生成）系统，将AI能力嵌入实际的业务场景中。
• 技能要求：
  • 掌握主流AI开发框架，如Spring-AI，熟悉智能体工作流编排流程。
  • 工程实践能力要强
  • 业务理解能力，能将AI赋能到业务系统，和业务系统形成闭环
• 市场前景：
  • 需求极其旺盛，薪资可观，是AI创造商业价值的直接入口。
• 竞争力：
  • 快速积累项目经验，是转型AI的“快车道”。
• 避坑指南：
  • 前提条件： 避免只做简单的API封装（套壳）。要深入理解Agent的工作流编排和复杂系统的调试。
  • 方向选择： 尽量选择B端降本增效或生产力工具方向，谨慎入坑C端纯聊天助手（生命周期短，竞争红海）。

---

6. 风控/安全岗 (AI Security & Risk Control)：守门神

随着AI监管法规的落地，此岗位已经从“辅助”变成了“一票否决”的关键角色。

• 岗位难度： （中等）
  • 原因： 难在“对抗性”和“复杂语义理解”。你不仅要懂技术，还得懂法律和人性（恶意攻击）。
• 工作内容：
  • 内容安全： 设计敏感词库、构建分类器，过滤违法、有害、歧视性内容输出。
  • 对抗防御： 研究Prompt Injection（提示词注入）、越狱（Jailbreak）等攻击手段，开发防御机制。
  • 合规审计： 确保模型训练数据和生成内容符合法律法规，进行隐私数据脱敏处理。
  • 红蓝对抗： 扮演“黑客”角色，主动攻击自家模型以发现漏洞。
• 技能要求：
  • 熟悉NLP基础技术（文本分类、实体识别）。
  • 了解大模型原理（LLM）及常见攻击面。
  • 熟悉相关法律法规（如数据安全法、个人信息保护法）是加分项。
• 市场前景：
  • 直线飙升。 监管越来越严，没有安全团队的AI产品根本无法上线。无论是金融、医疗还是通用大模型，都急需此类人才。
• 竞争力：
  • 稳定且刚需。随着AI应用深入金融、医疗等高风险领域，风控专家的地位会越来越高。
• 避坑指南：
  • 不要只做“关键词匹配”： 现代风控需要的是基于语义理解的深度检测，单纯的正则表达式和关键词库已经防不住高级攻击了。
  • 平衡体验与安全： 避坑点在于不要为了安全把模型“锁死”导致无法正常使用，要在安全性与可用性之间找到平衡点。

7. 模型评估岗 (Model Evaluator / QA Engineer)：质检官

• 岗位难度： （中等）
  • 原因： 看似门槛不高，但要建立科学、公平、自动化的评测体系非常考验工程能力和逻辑思维。
• 工作内容：
  • 评测体系建设： 设计评测指标，构建高质量的测试集（Benchmark）。
  • 自动化评测： 开发自动化脚本和工具链，利用GPT-5 或 Qwen 3等强模型对自家弱模型进行打分（Auto-Eval）。
  • 诊断分析： 分析模型的Bad Case（失败案例），定位模型短板（如：数学计算弱、幻觉多），输出给算法团队优化。
  • 竞品对标： 跟踪全球最新模型（如GPT-4o, Claude等），进行横向能力对比。
• 技能要求：
  • 熟悉主流评测框架
  • 熟练掌握Python数据处理，具备良好的统计学基础。
  • 逻辑严密，对数据敏感，能从海量生成结果中发现规律性问题。
• 市场前景：
  • 核心支撑。 随着模型能力越来越强，传统的指标已经不够用了，需要更复杂的综合性评测，这个岗位是模型迭代不可或缺的一环。
• 竞争力：
  • 属于“专家型”岗位。随着经验积累，你对模型能力边界的理解会非常深刻，容易成为团队内的“技术顾问”。
• 避坑指南：
  • 避免“纯人工打分”： 如果你每天只是在做简单的Excel表格录入和人工阅读打分，那你的职业价值很低，容易被替代。
  • 核心价值在于“工具链”： 要致力于开发自动化、可复用的评测工具和平台，提升评测效率，而不是把自己变成一个“廉价劳动力”。

8. 数据工程师 (大模型方向)

“数据是AI的燃料”，虽然岗位难度不高，但决定了模型的上限。

• 岗位难度： ⭐⭐（中等偏低）
  • 具备扎实的数据处理技能即可入门。
• 工作内容：
  • 构建大模型训练所需的数据流水线。
  • 采集、清洗、去重、脱敏海量多源异构数据，并监控数据质量。
• 技能要求：
  • 熟悉 ETL流程及大数据生态，能对多源异构数据进行采集并治理。
• 市场前景：
  • 需求稳定，技术栈通用。
• 竞争力：
  • 门槛相对较低，竞争可能比较激烈。
• 避坑指南：
  • 避免只做重复性的体力劳动（“洗数据的农民工”）。要关注数据质量对模型效果的影响机制，学会设计高质量的数据集。

---

9. 提示词工程师 (Prompt Engineer)

目前的“红海”区域。

• 岗位难度： ⭐（低）
  • 入门门槛低，主要依靠调整提示词来挖掘模型潜力。
• 市场前景：
  • 需求量大，但天花板低，容易被替代。
  • 随着模型能力的增强和自动化工具的出现，单纯的Prompt调优岗位正在逐渐消失或被整合进产品运营中。
• 建议：
  • 不建议将其作为长期职业目标。如果从事此工作，应尽快向AI产品经理或应用开发方向转型。

---

参考

https://www.bilibili.com/video/BV14JqSBVEGn/