大模型工程师
LLM Engineer
负责大模型本身的能力——从预训练、微调（SFT / RLHF）到效果评测与上线部署。模型聪不聪明、稳不稳定、贵不贵，主要看他。
- 收集、清洗、配比训练数据，把“料”备好，去重打标
- 做微调与偏好对齐，把通用模型调成能干具体活的样子
- 搭评测集、跑效果对比，写清楚“改了哪、好了多少、掉了什么”
- 做推理优化（量化、显存、并发），把成本与响应速度压下来
适合谁：有深度学习 / 算法基础，熟悉 PyTorch、分布式训练、显存优化。
入门抓手：先跑通一次小模型微调（如 LoRA），知道数据和参数各起什么作用。
入门抓手：先跑通一次小模型微调（如 LoRA），知道数据和参数各起什么作用。
AI 落地工程师
AI Implementation Engineer
把模型能力接进真实业务系统。搭知识库、设计智能体流程、做接口与工程化，让 AI 从“能聊”变成“真能干活、能交付”。
- 梳理业务场景，判断哪些活适合交给 AI、哪些不能碰
- 搭 RAG 知识库：文档切片、向量检索、召回排序，解决“答非所问”
- 设计智能体流程与工具调用（MCP / 函数调用），把多步任务串起来
- 做接口、埋点、兜底与灰度，上线后盯效果、持续迭代提示词
适合谁：后端 / 全栈背景，懂 RAG、智能体、MCP，能端到端把东西交付出去。
入门抓手：给团队做一个内部问答助手，从喂文档到上线跑通全流程。
入门抓手：给团队做一个内部问答助手，从喂文档到上线跑通全流程。
提示词工程师
Prompt Engineer
设计、测试、优化提示词与提示模板，建立评测集，把“会聊天”调成“稳定产出合格结果”，再沉淀成可复用的提示库。
- 拆解任务，把模糊需求写成模型能执行清楚的指令（角色、约束、示例）
- 建测试集、批量跑对比，用数据说明哪版提示词更好
- 收拾幻觉、格式跑偏、该答不答等老毛病，加校验与兜底
- 维护提示模板库与写法规范，让团队不用各自写一套
适合谁：理解业务、文字功底好，懂模型脾气；不一定写代码，但能说清要什么。
入门抓手：拿一个真实业务问题，把同一件事用三种写法对比效果。
入门抓手：拿一个真实业务问题，把同一件事用三种写法对比效果。
算法工程师
Algorithm Engineer
做传统机器学习与深度学习模型，覆盖推荐、搜索、风控、视觉、自然语言处理等方向，是大模型之外大多数 AI 系统的底座。
- 把业务问题翻译成模型任务，做技术选型与实验设计
- 清洗数据、做特征工程，决定模型看到什么信息
- 离线评测 + 线上 AB 实验，用指标说话而不是拍脑袋
- 配合工程团队做模型压缩与上线，盯效果衰减
适合谁：算法 / 数学基础扎实，能啃论文、动手做实验。
入门抓手：拿一个公开数据集完整走一遍“训练 → 评测 → 上线”。
入门抓手：拿一个公开数据集完整走一遍“训练 → 评测 → 上线”。
MLOps 工程师
MLOps Engineer
负责模型从实验室到生产线的这条路——训练与发布流水线、监控告警、回滚、GPU 资源调度，让模型稳定上线、出问题能救、成本可控。
- 搭自动化训练 / 发布流水线，把“手动上线”变成“一键发布”
- 做模型与数据的版本管理，任何一版效果都能追回来
- 监控线上效果漂移、延迟与成本，异常自动告警
- 管 GPU 排队与资源分配，让算力不浪费也不打架
适合谁：运维 / DevOps 背景，再懂一点机器学习。
入门抓手：给一个模型项目补上“一键训练 + 自动发布 + 监控看板”。
入门抓手：给一个模型项目补上“一键训练 + 自动发布 + 监控看板”。
AI 应用工程师
AI Application Engineer
基于大模型接口开发面向用户的 AI 产品功能（聊天、摘要、写作、翻译、小助手），重点在体验好不好、快不快、划不划算。
- 对接模型接口与开发包，做流式输出与多轮对话上下文管理
- 处理长文本、文件上传、结构化输出这些实际麻烦事
- 打磨交互细节：等待提示、重试、结果可编辑、出错不慌
- 算清调用成本，做缓存、限流与降级方案
适合谁：前端 / 全栈，会调接口、接开发包，产品感好。
入门抓手：做一个自己每天真的会用的 AI 小工具。
入门抓手：做一个自己每天真的会用的 AI 小工具。
AI 产品经理
AI PM
把业务需求拆成 AI 能解的题，定义使用场景、验收标准与能力边界，盯效果、成本与风险，是技术和业务之间的翻译官。
- 调研用户场景，判断 AI 到底能不能解、值不值得做
- 写清需求与验收标准，包括“答错了怎么办”
- 组织效果评测与灰度上线，盯数据、定迭代优先级
- 与法务 / 合规对齐风险，守住不能碰的红线
适合谁：懂用户、清楚 AI 能力边界，能把需求文档写明白。
入门抓手：先把自己手上的一个流程用 AI 重做一遍，量化省了多少时间。
入门抓手：先把自己手上的一个流程用 AI 重做一遍，量化省了多少时间。
数据工程师
Data Engineer
负责喂给模型的“料”——清洗、标注、治理训练数据与知识库数据，搭好数据管道。料不好，模型再强也白搭。
- 搭数据采集与清洗管道，把散乱数据变成能用的数据
- 定标注规范、做质量抽检，保证标注不跑偏
- 治理知识库文档：切片、去重、定期更新，保持新鲜
- 做数据血缘与脱敏，该留的留住、该去的去掉
适合谁：SQL / Python 过硬，懂数据管道与数据质量。
入门抓手：把公司一份乱糟糟的文档或表格，整理成能检索的知识库。
入门抓手：把公司一份乱糟糟的文档或表格，整理成能检索的知识库。
AIGC / 多模态工程师
AIGC Engineer
做文生图、文生视频、语音合成等生成类应用与生产管线，把生成式模型变成能用的创作工具或产品功能。
- 训练或微调生成模型（图像、视频、语音等方向）
- 搭可控生成流程：人物一致、风格统一、批量出图不跑偏
- 做后处理与内容审核，保证产出可用又安全
- 优化生成速度与成本，让创作效率真正提上来
适合谁：对生成模型感兴趣，有图像 / 视频 / 音频处理经验更佳。
入门抓手：用现成模型搭一条“提需求 → 出图 / 出片”的自动化流程。
入门抓手：用现成模型搭一条“提需求 → 出图 / 出片”的自动化流程。
AI 治理 / 合规工程师
AI Governance
管住 AI 的红线——安全合规、内容审核、风险评估、算法备案与审计，是模型上线前后的把关人。
- 梳理法规与监管要求，落成内部可执行的规范
- 做内容安全审核：有害信息、隐私、版权，一个都不放过
- 准备上线前风险评估与备案材料，保证合规可查
- 组织审计与应急响应，出事知道找谁、怎么处理
适合谁：法律 / 安全 / 风控背景，懂监管动向。
入门抓手：啃一遍所在行业的 AI 相关规范，做成一份能照着做的检查清单。
入门抓手：啃一遍所在行业的 AI 相关规范，做成一份能照着做的检查清单。
智能体工程师
Agent Engineer
设计多智能体协作系统与自动化工作流，让 Agent 能自己规划、调用工具、管理记忆，把“会聊”升级成“能连续干复杂活、还能自己纠偏”。
- 拆解复杂任务，设计 Agent 的规划、反思与多步执行路径
- 编排工具调用与 MCP 接口，把外部系统接进 Agent 的能力圈
- 做记忆与状态管理，让长任务不丢上下文、能接着干
- 搭多智能体协作（分工、对话、互相评审），处理单 Agent 搞不定的活
适合谁：熟悉大模型 API、提示词与编排框架（如 LangGraph / CrewAI），能把流程想清楚。
入门抓手：用框架搭一个能调用工具、分步完成任务的自动助手。
入门抓手：用框架搭一个能调用工具、分步完成任务的自动助手。
AI 训练师
AI Trainer
负责把“人想让模型学会的东西”变成模型能吃的训练与对齐数据，建评测集、做质量抽检，是模型效果背后的人力底座。
- 按规范标注与撰写训练样本（指令、对话、偏好对），保证口径一致
- 搭建并维护评测集，用真实任务衡量模型到底行不行
- 做数据质量抽检与纠偏，剔除噪声和跑偏样本
- 配合算法 / 大模型工程师迭代数据配比，哪弱补哪
适合谁：细心、理解业务语义，能把“好答案长什么样”说清楚。
入门抓手：为某个场景标注 50 条高质量指令-回答对，跑一次微调看差异。
入门抓手：为某个场景标注 50 条高质量指令-回答对，跑一次微调看差异。
没搜到匹配的岗位，换个关键词试试。
说明：以上按“能力”归类，真实岗位名各公司五花八门（有的叫“大模型算法”、有的叫“AI 应用研发”）。判断方向看职责，别死磕头衔。本页随行业变化持续更新。