作者：Lei阅读 --

大模型行业工种全景图：十个岗位的能力矩阵、细化技能与透明学习路径——从公开 JD 反推

把 2026 年大模型行业公开招聘的工种摊开成一张可选择的技能树：按「造模型→跑模型→用模型→管模型」四条产线拆出十个工种，每个工种给出能力矩阵（维度×细化技能×代表技术×学习挂靠点）和一个 2–4 周的最小验证项目。数据来自 OpenAI/Anthropic 官方招聘页、国内猎聘/智联/校招 JD 与多份行业招聘报告，观点与矩阵是我的整理。目标：让每个工种的学习路径对你完全透明，选哪条分支、怎么 rollout，一张图定。

AILLM工程实践

「大模型行业在招什么人」这个问题，网上的答案要么是培训机构的焦虑营销，要么是一句「学 AI 就完了」。这篇换一种做法：以公开 JD 为证据——OpenAI 和 Anthropic 的官方招聘页、国内猎聘/智联/校招的具体岗位、多份 2026 年招聘市场报告——反推出这个行业真实存在的十个工种；然后把每个工种拆到底：能力矩阵 → 每格的细化技能 → 每项技能的代表技术 → 一个 2–4 周能做完的最小验证项目。你可以把这篇当成一张技能树的总图：每个工种是一条分支，能力矩阵是分支展开的子节点，最小验证项目就是低成本的 rollout——走一遍就知道这条分支值不值得继续投入。

〇、先看整张地图：一条价值链，四条产线，十个工种

一个大模型从无到有再到赚钱，价值链只有一条：造模型 → 跑模型 → 用模型 → 管模型。所有公开招聘的技术工种都能挂到这四段上：

产线工种一句话职责典型雇主证据
造模型① 预训练算法工程师决定模型架构、数据配比，把损失曲线压下去各基座模型公司；国内 JD 常写「继续预训练」
② 后训练/对齐算法工程师SFT、RLHF/RL，把基座调教成有用的助手Anthropic「RL 环境与奖励设计」岗；国内 JD 高频词
③ 数据工程师/环境构建师语料管线、合成数据、RL 环境与判分器前沿实验室每年人类数据开销约 10 亿美元级（Labelbox CEO 口径）
跑模型④ 训练 Infra 工程师让几千张卡长时间不空转、不炸训练OpenAI「Data Infrastructure - Research」等岗
⑤ 推理/Serving 优化工程师同样的卡跑出更多 token、更低延迟OpenAI 单独设 Inference 团队，细分到 AMD 适配、网络、多模态
⑥ GPU 平台/集群工程师K8s、InfiniBand、GPU 健康，机房层的地基OpenAI「Principal Engineer, GPU Platform」JD 原文
用模型⑦ Agent/大模型应用工程师RAG、Agent、上下文工程，把模型能力变成产品功能国内招聘量最大的一类；阿里云 2026 校招设「大模型应用算法工程师」
⑧ FDE/解决方案架构师驻场客户，把产品变成客户的业务结果FDE 岗位量 2025 年 1 月至 2026 年 4 月增长 5230%（Indeed 数据，Business Insider 报道）
管模型⑨ Evals 工程师定义「好」，把验收标准做成可执行的评测前沿实验室持续招聘；应用公司把它列入前十号技术员工
⑩ 安全/红队工程师攻击自家模型，建防护栈Anthropic 设 Safeguards 团队；红队岗四到八个 offer 属常态（招聘方报告口径）

先交代证据等级（本站惯例）：表中「谁在招」的事实全部来自本次检索核实的招聘页面与报道，文末附链接；能力矩阵和学习路径是我的整理与判断（观点，不是从某份 JD 抄的）；薪资数字是二手聚合数据，只给量级参考，未独立核实。

还有四条横跨所有 JD 的共性观察，值得先记住：

  1. 通用底座三件套：几乎每份技术 JD 都要 Python + PyTorch + Transformer 原理。国内 JD 的标准句式是「深入理解 Transformer 架构，熟悉预训练、SFT、RLHF」。
  2. Evals 能力横跨所有工种。英文市场报告的原话：评测技能是四大岗位族（研究、应用、FDE、安全）的共同要求。这与本站《Eval 是新的 PRD》的判断互为印证。
  3. 开源贡献是硬通货。某国内大厂系统岗 JD 明确写「具有 vLLM、PyTorch 等社区核心贡献者身份优先」——开源履历第一次被写成筛选条件。
  4. 半路出家是常态而非例外。Anthropic 官方招聘页自述：约半数技术员工入职前没有 ML 经验，工程背景建议直接按工程师投递。这个事实值得所有转行者贴在桌上。

下面逐个工种拆解。每个工种四样东西：画像（干什么、和谁协作）、能力矩阵（维度 → 细化技能 → 代表技术 → 学习挂靠）、最小 rollout（2–4 周验证项目）、适合谁。

产线一：造模型

① 预训练算法工程师

画像：决定模型「出生质量」的人。日常是设计/复现架构改动、配数据、盯损失曲线、做小规模消融再外推到大规模。协作对象是数据团队（要料）和训练 Infra（要卡）。这是门槛最高、坑位最少的工种——基座公司才养得起，且校招偏爱论文履历。

能力维度细化技能代表技术/必读材料学习挂靠
模型架构Attention 变体（MHA/GQA/MLA）、MoE 路由与负载均衡、位置编码（RoPE）、归一化位置Llama 3 / DeepSeek-V3 / Qwen3 技术报告——这三份是当代架构的「标准答案汇编」Attention 数学陪读
训练动力学Scaling laws、学习率调度、损失尖刺处理、训练稳定性（梯度裁剪、初始化）Chinchilla（arXiv 2203.15556）、µP 迁移调参Scaling Laws 数学入门
数据配比去重、质量过滤、多语言/代码/数学配比、课程学习、tokenizer 设计RefinedWeb/FineWeb 管线思路、退火数据（annealing）技巧小公司如何构建大模型里的数据决策阶梯
实验方法论小模型代理实验、消融设计、可比性控制（同数据同步数）、外推预测各家技术报告的 ablation 章节；「先在 1B 上证明，再上 100B」是行业铁律为什么 LLM 能学会
工程底座PyTorch 熟练度、分布式训练常识（能读懂并行配置）、实验管理PyTorch、wandb、nanoGPT（亲手训一遍是最好的入学考试）手算一步梯度下降（若你连反传都想拆开看）

最小 rollout（3–4 周）：用 nanoGPT 或 torchtitan 在单卡/双卡上从零训一个 100M 级小模型，亲手做三组消融（换 tokenizer 词表大小、换数据配比、换学习率调度），把损失曲线和结论写成一篇实验报告。这个项目同时覆盖矩阵里五个维度的入门层，且产出物直接可以放进简历。

适合谁：数学底子好（至少微积分与线代这条线要通）、享受做实验胜过做产品、能接受成果以「内部报告」形式存在的人。

② 后训练/对齐算法工程师

画像：把「会说话的压缩包」调教成「有用的助手」。2026 年招聘热度明显高于预训练——因为基座趋同后，差异化都发生在后训练。Anthropic 的 Domain Scaling 团队 JD 是这个工种的教科书样本：「端到端负责创建 RL 环境、设计奖励信号、度量对模型表现的影响」。国内 JD 的对应表述是「负责垂域模型的 SFT、RLHF」。

能力维度细化技能代表技术/必读材料学习挂靠
SFT 数据工程指令数据配比、拒答样本、多轮对话构造、格式一致性、蒸馏采样self-instruct 思路、Tülu 3 配方（少见的全公开后训练报告）训练小模型的三条路
RL 方法PPO/GRPO/DPO 的适用边界、on/off-policy 直觉、KL 约束、优势估计InstructGPT（arXiv 2203.02155）、DeepSeek-R1 的 GRPO 实践为什么大模型需要强化学习——零基础从这篇进
奖励设计奖励模型训练、规则奖励（RLVR）、reward hacking 识别与防御、过程 vs 结果奖励R1 的「规则奖励打败 PRM」教训；FastContext 的 F1 奖励是一个可仿写的小样本同左
评测闭环训练中评测（防退化）、能力-安全平衡、A/B 与盲测lm-evaluation-harness、内部 golden set 方法论Eval 是新的 PRD
RL 环境构建可验证任务设计、判分器（grader）工程、环境难度阶梯SWE-bench 类可执行环境；这项技能正在从加分项变成核心项SWE-bench 学习笔记

最小 rollout（2–3 周）：拿一个 7B 开源模型，用 TRL 或 verl 跑一次完整的 DPO 和一次 GRPO：自己构造 500 对偏好数据（可以蒸馏自强模型），训完在 20 条固定测试题上盲评对比。重点不是提分，是亲手观察 reward hacking 和 KL 漂移长什么样。

适合谁：对「模型行为」比「模型结构」更好奇的人；喜欢琢磨「它为什么这样答」的人。这也是四条产线里与心理学/语言学等非典型背景交叉最多的工种。

③ 数据工程师 / 环境构建师

画像：2026 年最被低估的入口。市场报告给出的分层很清晰：底层是通才标注（偏好打分），中层是领域专家（医生/律师/量化研究员写推理轨迹），顶层是「环境构建师」——设计模型训练所对标的交互式任务与判分器的工程师，一个两年前几乎不存在的工种。前沿实验室在人类数据上的年开销是 10 亿美元量级（Labelbox CEO 口径，未独立核实），这条产线的预算真实存在。

能力维度细化技能代表技术/必读材料学习挂靠
语料管线抓取/解析/去重（MinHash）、质量分类器、PII 清洗、多格式抽取CCNet/FineWeb 管线、trafilatura、datatrove小公司 playbook
合成数据蒸馏采样策略、多样性控制、自我改进循环、污染防控self-instruct、Cosmopedia 思路训练小模型的三条路——「每个小模型身后站着一个大模型」在数据层同样成立
标注体系guideline 撰写、标注者一致性（IAA）、质检抽样、偏好数据采集设计Surge/Scale/Mercor 的任务设计模式；MT-Bench 论文里的偏差清单评测路由篇决策点一
RL 环境构建任务可验证化、判分器实现、防作弊（模型钻环境空子）、难度曲线SWE-bench/Terminal-Bench 类环境源码SWE-bench 笔记
统计素养抽样、置信区间、分布漂移检测——写给 LLM 工程师的统计学

最小 rollout（2 周）：给一个你熟悉的领域（哪怕是「写周报」）设计一个可自动判分的任务环境：10 个任务 + 一个规则判分器 + 让两个不同模型跑完打分。做完你就理解了「环境构建师」的全部日常，也顺手产出了一个可展示的 repo。

适合谁：细心、有领域知识、编程中等即可。这是非 CS 背景进入训练产线的最短路径——领域专家标注→标注体系设计→环境构建，是一条真实存在的晋升阶梯。

产线二：跑模型

④ 训练 Infra 工程师

画像：让一次要烧几百万美元的训练不白烧的人。OpenAI 为研究数据管线单独设岗，国内大厂 JD 的标准要求是「熟悉 Megatron、DeepSpeed 等分布式训练框架」。这个工种的知识一半在论文里，一半只在事故里——所以 JD 普遍要求实际大规模经验，这也是它对新人最不友好的原因。突破口在开源：那份「vLLM/PyTorch 社区核心贡献者优先」的 JD 说明了替代路径。

能力维度细化技能代表技术/必读材料学习挂靠
并行策略DP/TP/PP/EP/序列并行的通信量账、并行配置搜索、MoE 的 all-to-allMegatron-LM 三部曲论文、DeepSeek-V3 报告的 infra 章节AI Infra 工程师工作地图
显存与通信ZeRO 三阶段、FSDP、激活重计算、通信-计算重叠、NCCL 调优ZeRO（arXiv 1910.02054）、PyTorch FSDP 源码同左
稳定性容错异步 checkpoint、弹性训练、静默数据损坏（SDC）排查、损失尖刺归因各家技术报告的「训练事故」小节是最真实的教材——
性能剖析MFU 核算、profiler（nsight/torch profiler）、瓶颈定位（算力/显存/通信/IO）MFU 的计算方式（PaLM 论文附录）算力层决策地图
框架源码能读并改 Megatron/DeepSpeed/torchtitan；CUDA 基础torchtitan（代码量最友好的入口）——

最小 rollout（3–4 周）：租两台多卡机器（或用云上 spot），用 torchtitan 跑通 TP+DP 组合训练，亲手算并核对一次 MFU，然后故意制造一次 OOM 和一次 NCCL 超时并写下排查记录。Infra 的面试官最想听的就是排查故事。

适合谁：系统背景（做过分布式/数据库/内核更佳）、对「性能账算得平」有执念的人。不需要多深的 ML 数学——这是工程背景转入大模型行业性价比最高的通道之一。

⑤ 推理/Serving 优化工程师

画像：模型商业化的成本杠杆。OpenAI 把 Inference 拆成一个团队族——AMD GPU 适配、网络负载均衡、多模态、缓存基础设施各设专岗；国内 JD 的标准句式是「熟悉 vLLM 等推理加速框架」。逻辑很直白：推理省 30% 成本 = 毛利率直接加 30 个点，这是所有工种里离钱最近的一个。

能力维度细化技能代表技术/必读材料学习挂靠
服务引擎PagedAttention、continuous batching、前缀缓存、PD 分离、结构化输出vLLM/SGLang 源码——vLLM 是当代推理工程的公共教材vLLM 前缀缓存六个机制及本站 vLLM 源码系列四篇
算子与 kernelCUDA/Triton 编写、FlashAttention 原理、算子融合、访存优化FlashAttention（arXiv 2205.14135）、Triton 教程——
量化压缩FP8/INT8/INT4、AWQ/GPTQ、KV cache 量化、投机解码、蒸馏小模型投机解码谱系投机解码的第二本账、FastContext（探索外包给小模型本质也是推理成本工程）
调度与容量请求路由、优先级抢占、SLO 设计（TTFT/TPOT）、多租户隔离vLLM scheduler 源码评测路由篇（模型路由是它的近亲）
成本工程token 经济学核算、缓存命中率优化、硬件选型（含国产卡适配）各云厂商定价页 + 自建成本模型算力层决策地图

最小 rollout（2–3 周）：单卡部署一个 7B 模型，用 vLLM 压测三组对照：开关前缀缓存、不同 max-num-seqs、FP16 vs INT4，画出吞吐-延迟曲线并解释每条曲线背后的机制。能把这三组曲线讲清楚，就超过了大部分只会「pip install vllm」的候选人。

适合谁：和④同为系统人天堂，但反馈更快（毫秒级 benchmark vs 周级训练），更适合喜欢即时反馈的人。CUDA 能力是这个工种的稀缺溢价点。

⑥ GPU 平台/集群工程师

画像：OpenAI 的 JD 原文写得最直白：「运行支撑 ChatGPT 与 API 的基础设施，包括推理 Kubernetes 集群、GPU 健康与 InfiniBand 性能」。传统 SRE/云平台工程师加上 GPU 特有知识（拓扑、ECC、降频、故障预测）就是这个工种——转行迁移成本最低的一条通道。

能力维度细化技能代表技术学习挂靠
调度编排K8s + GPU device plugin、gang scheduling、拓扑感知调度、配额与抢占Kubernetes、Volcano/Kueue、SlurmAI Infra 工作地图
高速网络InfiniBand/RoCE 运维、NCCL 拓扑调优、网络故障定位IB 诊断工具链、nccl-tests——
GPU 健康ECC 错误、降频、掉卡预测性维护、驱动/固件矩阵管理DCGM、node exporter 体系——
存储与数据checkpoint 高吞吐写入、数据集缓存分发、对象存储选型JuiceFS/Lustre 类方案——
容量成本利用率核算、碎片治理、混部（训推共池）内部账单体系Agent 部署架构

最小 rollout（2 周）：在任意云上用 K8s 拉起一个带 GPU 的推理服务，配齐 DCGM 监控 + 告警 + 一次模拟掉卡演练。有 SRE 经验的人做完这个就可以直接投递。

适合谁：现役 SRE/DevOps/云平台工程师。你的技能 80% 直接复用，补的只是 GPU 专有的 20%。

产线三：用模型

⑦ Agent/大模型应用工程师

画像：国内招聘量最大的工种，JD 谱系从「RAG 开发」一直铺到「Agentic 架构研发」（某智联岗位原文：研发基于 agentic search 的算法架构、A2A 与 agent skill、长短记忆模块）。阿里云 2026 校招把它定名为「大模型应用算法工程师」。这个工种的深度常被低估——本站写过顶级 Agent 应用工程师的六层系统，那篇就是这个工种的能力天花板描述。

能力维度细化技能代表技术/必读材料学习挂靠
上下文工程上下文预算分配、记忆管理、压缩与遗忘策略、多轮状态维护Claude Code/Codex 的上下文机制遗忘是一种能力、上下文工程新规则
检索与 RAG分块策略、embedding 选型、重排、agentic search vs 向量检索的边界——代码检索为什么回到了 grep、search 工具解剖
Agent harness工具设计、子代理编排、错误恢复、循环控制、MCP/技能体系Claude Agent SDK、LangGraph；FastContext 是子代理设计的论文级样本什么是好的 Agent Harness、决策地图·应用层
评测与可观测任务级 evals、轨迹回放、线上监控、A/BLangSmith/Braintrust 类工具 + 自建Eval 是新的 PRD
部署与成本模型路由、缓存、降级策略、多模型容灾——Agent 部署架构、评测路由篇

最小 rollout（2–3 周）：做一个带评测的 Agent，而不是又一个 demo：选一个真实小任务（如「自动整理 GitHub issue 并出周报」），实现工具调用 + 20 条 golden case 的自动评测 + 失败案例分析。「带 evals 的 agent」和「能跑的 demo」是这个工种里初级与合格的分界线。

适合谁：全栈/后端工程师的主通道。不需要训练模型的能力，但需要「模型行为直觉」——这只能靠大量使用和观察积累。入行门槛最低，天花板取决于你在六层系统里爬到第几层。

⑧ FDE（前线部署工程师）/ 解决方案架构师

画像：2026 年的破圈工种。数字都核实过来源：岗位量较 2025 年初增长 5230%（Indeed 数据）；AWS 宣布 10 亿美元投入嵌入数千 FDE，微软 7 月设立 25 亿美元的 Frontier 部门（约 6000 名驻场专家），Salesforce 承诺组建千人 FDE 团队；Anthropic 公开招聘 FDE，薪资 20–30 万美元。FDE 与 SA 的分界线也有公开口径：SA 至多 20% 时间写代码做 PoC，FDE 70% 时间写生产级代码——「SA 卖梦想，FDE 把它变成真的」。

能力维度细化技能代表技术学习挂靠
快速交付工程全栈原型能力、生产级代码习惯、客户环境适配（内网/合规/老系统集成）⑦ 的全部技术栈，但要求「一个人是一支队伍」FDE 是什么：最后一公里——本站已有整篇拆解
业务翻译需求澄清、把业务指标翻译成模型任务、ROI 核算——同左
评测驱动交付用客户数据建 golden set、验收标准谈判、上线前后指标对比2026 年 FDE JD 已明确要求评测框架与可观测能力Eval 是新的 PRD
现场技能客户沟通、预期管理、驻场节奏、跨时区协作————
产品回路把现场共性需求反哺产品路线图————

最小 rollout（2 周）：找一个真实的「客户」（朋友的小公司、家人的店），用大模型给他解决一个具体业务问题，从需求澄清做到上线和效果核算，全程记录。FDE 面试的核心就是讲这种故事的能力。

适合谁：技术不想丢、又明确喜欢和人打交道的工程师；顾问/售前想加技术深度的人。薪资弹性大（美国市场 FDE 总包 35–75 万美元区间的报道，明显高于 SA 的 25–45 万），代价是出差和客户现场的不确定性。

产线四：管模型

⑨ Evals 工程师

画像：2026 年才独立成名的工种。招聘市场报告给出的分布：前沿实验室持续招；Perplexity、Cursor、Harvey、Sierra 这类应用公司把 evals 工程师列入前十号技术员工——因为「评测速度直接决定产品迭代速度」；Stripe、Shopify 级别的传统公司也在组建评测团队以验收第三方模型。报告特别注明：应用向 evals 岗不要求 PhD，看重的是工程严谨和实践判断。

能力维度细化技能代表技术/必读材料学习挂靠
任务建模把模糊的「好」拆成可测维度、指标设计、通过率 vs 偏好率的选择——Eval 是新的 PRD
Judge 体系LLM-as-judge 搭建、三大偏差（位置/冗长/自我增强）消除、judge 校准MT-Bench（arXiv 2306.05685）LLM-as-judge 学习笔记
数据集工程golden set 构建与维护、污染检测、难度分层、版本管理SWE-bench 的构建方法论SWE-bench 笔记
评测 Infra评测 harness、CI 集成、回归检测、预生成回放（RouterBench 式免推理评测）lm-evaluation-harness、inspect-ai评测路由篇决策点五
统计功力显著性检验、样本量核算、方差控制、A/B 设计——写给 LLM 工程师的统计学

最小 rollout（1–2 周，全行业最低）：给你日常在用的任何 AI 功能建一套 30 条的评测：10 条正常、10 条边界、10 条对抗，用一个 judge 模型自动打分（记得交换位置跑两次消位置偏差），出一份评测报告。这是所有 rollout 里投入最小、迁移价值最高的——无论最终选哪个工种，这套技能都用得上（见共性观察 2）。

适合谁：QA/测试工程师的天然升级路径；数据分析师转 AI 的捷径；以及所有还没想清楚选哪条产线的人——evals 是观察全行业的最佳哨位。

⑩ 安全/红队工程师

画像：Anthropic 把它设为独立的 Safeguards 团队；市场侧的分层已经很细：AI 红队、LLM 应用安全、Agent 安全（工具滥用、沙箱逃逸——溢价最高，比纯 LLM 安全高 20–30%）、ML 安全、AI 治理合规五个亚种。招聘方报告称候选人手握 4–8 个 offer 是常态，薪资带宽 15–45 万美元。入口也分层：Mercor 等平台的合同制红队任务是零门槛试水点。

能力维度细化技能代表技术/必读材料学习挂靠
攻击面理解提示注入、越狱谱系、数据外泄路径、多轮诱导OWASP LLM Top 10——
防护栈输入/输出分类器、宪法式分类器、分级响应策略Anthropic 的内容安全体系是公开资料最全的样本Anthropic 内容安全栈
Agent 安全工具权限最小化、沙箱设计、不可信内容隔离、供应链（skill/MCP 投毒）——Skills 锁与提示词供应链、决策地图·门禁篇
评测化安全把攻击变成回归测试集、自动化红队、安全-能力平衡度量红队即持续评测——⑨ 的技能在这里全部复用Eval 是新的 PRD
治理合规模型卡、风险分级框架、审计留痕NIST AI RMF、EU AI Act 落地条款——

最小 rollout（2 周）：给自己搭的任意 LLM 应用做一次系统性红队：按 OWASP LLM Top 10 逐项设计攻击用例，记录成功率，然后加一层防护再测一遍，写成攻防报告。传统安全工程师做完这个即可投递 AI 安全岗。

适合谁：安全工程师加 AI 知识（溢价明确）；或对「模型为什么会被骗」有研究兴趣的人。行业小、信任驱动、口碑传播快——这既是门槛也是护城河。

边缘与入口：两个没单独展开的角色

AI 产品经理：JD 大量存在，但它的技术内核恰好等于 ⑨ evals 的前三个维度（任务建模、验收标准、数据集思维）——《Eval 是新的 PRD》整篇讲的就是这个融合。技术人转 AI PM 的最短路径是先把 evals 做出手感。

AI Trainer / 数据标注：美国市场标注岗年薪均值约 13.1 万美元（聚合口径），合同制时薪 15–30 美元。单独看是入口层，但接上 ③ 的阶梯（标注 → guideline 设计 → 环境构建）就是一条真实的职业通道，不要孤立评估它。

收尾：怎么选——把这张图变成你自己的决策树

三步决策，把十个工种收敛到一两个：

第一步，按背景排除（客观约束）：

  • 没有大规模 GPU 集群可摸 → ④⑥ 暂缓（可先做⑤的单卡功课等机会）
  • 数学不想深追 → ①② 暂缓（④⑤⑥⑦⑧⑨⑩ 都不卡数学）
  • 不想/不能训练模型 → ⑦⑧⑨⑩ 全开放，这四个工种完全不需要碰训练

第二步，按能量来源选（主观偏好）：喜欢「让东西更快」→ ⑤④⑥；喜欢「让东西有用」→ ⑦⑧；喜欢「搞清楚为什么」→ ①②；喜欢「定义对错」→ ⑨⑩；喜欢「和人打交道」→ ⑧。

第三步，用最小 rollout 验证：选出的 1–2 个工种，把对应的 2–4 周项目真做完。做完仍有兴趣，加深；中途厌倦，换分支——一次 rollout 的成本是几周，选错方向硬撑的成本是几年。这就是把探索预算花在刀刃上。

三条选择元规律，比任何单个工种都值得记住：

  1. Evals 是万能前置技能——四大岗位族共同要求，rollout 成本最低，先做它不会错。
  2. 每个工种都有一条「从既有技能平移」的通道：SRE→⑥、后端→⑦、QA→⑨、安全→⑩、顾问→⑧、领域专家→③。大模型行业不要求你推倒重来，只要求你补上 AI 那 20%。
  3. 稀缺溢价在交叉点：会 CUDA 的应用工程师、懂业务的 infra 工程师、能写生产代码的安全研究员——JD 里薪资带宽最上沿全部属于双技能交叉者。

照例的诚实提醒：本文的工种清单与「谁在招」有公开来源（文末链接），能力矩阵与学习路径是我的整理，不是任何一份 JD 的原文；所有薪资数字均为二手聚合数据（招聘平台/行业报告口径），未独立核实，且 JD 是快照——今天的要求半年后就会漂移。给你的最小验证实验（半天）：去猎聘/BOSS 直聘/OpenAI/Anthropic 官网抓 10 份你目标工种的在招 JD，逐条对照本文矩阵打勾——对得上的说明矩阵可用，对不上的就是这半年市场漂移的方向，那才是你最该注意的信号。

参考来源

官方招聘页与一手 JD

行业招聘报告与市场数据

本站学习路径挂靠（按产线）