我自己在招聘行业摸爬滚打了几年，最近翻看各大招聘平台的数据，说实话有点被震到。去年到今年，AI相关岗位的发布量肉眼可见地往上蹿，不同行业之间的节奏却差得挺远。有的行业像是踩了油门，开足马力抢人；有的行业还在试探，步子迈得谨慎。这份行业图谱，我结合几个身边做HR的朋友的反馈，加上公开数据，试着拼出一幅完整的画面。
科技互联网与大模型企业的核心AI岗位需求
互联网大厂和大模型公司对核心AI人才的渴望，那真是写在脸上的。我有个朋友在一家做基础模型的公司负责技术招聘，他跟我抱怨说，一天能收到几百份简历，真正能聊算法创新的人却凤毛麟角。他们最缺的岗位集中在预训练、强化学习、推理优化这些硬核方向，薪资开得高，候选人还是在几个offer之间挑来挑去。
大厂这边呢，核心AI岗位的需求更偏向平台化和工程化落地。像推荐系统、搜索排序、广告算法这些老牌岗位一直在招，只是要求变了，越来越看重对大规模模型的理解和调优经验。
有个现象挺有意思——不少大模型公司开始抢标注策略师和数据处理专家。我起初没想明白，后来跟一位做数据治理的同行聊，他说现在数据质量直接决定模型效果上限，懂得设计数据流水线、制定标注规范的人，比单纯会调参的工程师还稀缺。这类岗位的招聘量涨得悄无声息，但势头很猛。
制造、汽车、医疗、金融等垂直行业的AI应用岗位扩张
制造业对AI人才的需求，今年给我的感觉是突然放量了。我走访过几家长三角的工厂，发现他们都在搞设备预测性维护和视觉质检。有个做工业视觉的团队负责人跟我说，他们招算法工程师的要求跟互联网公司完全两码事，不追求模型多前沿，更看重能不能把算法塞进产线设备里稳定跑起来。
汽车行业这边，智能驾驶和座舱智能化的招聘需求一直没降过温。我接触过几位从互联网转去车企的工程师，他们的感受是车企招人更看重系统集成能力，算法要跟传感器、芯片、整车电子架构配合。这个领域对AI人才的需求呈现出明显的项目制特征，某个车型项目启动时大量进人，项目收尾时团队又会有所收缩。
医疗和金融行业的AI招聘节奏相对稳健，但结构在变。医疗AI公司更倾向于招有医学背景的复合型人才，纯算法背景的人反而不太吃香。金融行业这边，风控模型和智能投顾相关的岗位需求在增长，但机构对合规和可解释性的要求特别高，招人时格外谨慎。我跟一位银行科技部门的招聘经理聊过，他说他们招AI人才时，面试环节一定会考察对监管政策的理解，这在互联网公司几乎见不到。
行业需求差异与人工智能招聘需求增长最快的行业对比
如果单纯看招聘量的增速，大模型和生成式AI公司无疑是跑在最前面的。这个赛道的招聘需求在近一年内出现了爆发式增长，从算法到工程到产品，整条链都在缺人。我有个观察，这类公司的招聘节奏特别快，一个岗位从放出到关闭，有时候不到两周，这在传统行业很难想象。
制造业和汽车行业的AI人才需求增速同样亮眼，只是基数比科技行业小一些。这两个行业的招聘特点是岗位分散、地域分布广，不像互联网公司那样集中在几个城市。我在招聘网站上看到，不少二三线城市的制造企业也在招机器视觉工程师和数据分析师，薪资竞争力还不低。
医疗和金融行业的AI招聘增速相对温和，但有个趋势值得留意——这两个行业对AI人才的需求正在从“辅助工具开发”向“核心业务嵌入”转变。我问过一位医疗AI公司的技术总监，他说他们现在招人最看重的不是算法多厉害，而是能不能理解临床工作流程。这种需求变化，反映出垂直行业对AI人才的评判标准正在跟科技公司拉开差距。
横向对比下来，增长最快的行业集中在科技互联网、大模型、智能汽车和智能制造这几个方向。驱动因素各不相同，有的是技术突破带来的红利，有的是产业升级的刚性需求，还有的是政策引导下的资源倾斜。我自己的判断是，未来一段时间内，这种行业间的需求分化还会持续，甚至可能进一步拉大。
前段时间我跟一个做了七八年算法招聘的老猎头吃饭，他叹了口气说，以前拿着“算法工程师”这四个字就能收一箩筐简历，现在不行了，同样一个算法岗，招大模型方向的和招传统推荐方向的，候选人画像差出十万八千里。他这句话让我琢磨了很久——人工智能招聘的岗位结构，确实在发生一场静悄悄的重构，算法岗依旧吃香，但吃香的方式变了，应用复合型岗位的崛起速度超出了很多人的预期。
算法、模型与数据类岗位的需求分化
我自己翻招聘数据时有个直观感受，算法岗并没有减少，反而在数量上还在涨，但内部已经裂变成了好几个截然不同的方向。大模型算法工程师、多模态算法工程师、推理优化工程师这些岗位是当下的香饽饽，薪资天花板被不断推高。我认识一个做模型推理优化的年轻人，去年年底换工作，一周内拿到三个offer，他跟我说面试聊的全是分布式训练和量化部署，跟以前聊特征工程那套完全两个世界。
传统算法岗位也在招人，只是节奏和热度明显不如大模型方向。推荐算法、搜索算法、风控算法的需求依然稳定存在，招聘方更在意的是你有没有大规模系统的实战经验，能不能在现有架构上做精细化调优。有个做电商推荐的朋友跟我吐槽，他们团队今年只放出了一个算法HC，但要求写得特别细，既要懂深度学习，又要懂因果推断，最好还碰过生成式AI——说白了，一个岗位想招一个能顶三个用的人。
数据类岗位的变化更耐人寻味。以前数据标注在很多人眼里是低门槛的体力活，现在完全不是这个概念了。标注策略师、数据质量工程师、合成数据专家这些头衔开始频繁出现在招聘JD里。我跟一位做大模型数据治理的团队负责人聊过，他说他们招一个懂标注规范设计的人比招一个算法工程师还费劲，因为这活儿需要同时理解模型训练逻辑和数据生产流程，市面上成熟的人少之又少。
AI产品、解决方案、落地实施与运营岗位增长
这块是我个人最看好的方向，也是我近几年感受最明显的变化。AI产品经理的需求量在快速增长，但招人的标准跟互联网产品经理差别挺大。我认识一位从社区产品转行做AI产品的朋友，他跟我说刚转过去的前三个月非常痛苦，因为要补的课太多了，得理解模型的能力边界、训练数据的局限性、推理成本的约束，这些东西在传统产品岗根本不用操心。他现在的团队里，产品经理清一色都有技术背景，纯业务出身的很少见了。
解决方案架构师这个岗位在垂直行业特别抢手。我接触过几个做制造业AI落地的团队，他们说招解决方案岗最难的地方在于既要懂AI技术栈，又要能跟工厂的产线负责人对话，还得把方案拆成可交付的模块。有家做工业视觉的公司招了半年解决方案经理，最后招了一个在工厂待过五年又自学了机器视觉的人，这种复合背景的人市场上极其稀缺。
落地实施和运营岗位的增长更接地气一些。AI项目交付经理、模型运营专员、AI效果分析师这些岗位在两三年前几乎看不到，现在不少公司都在招。我有个前同事跳去一家做智能客服的公司做模型运营，日常工作就是盯模型上线后的表现，分析bad case，协调算法团队迭代优化。她说这个岗位要求挺杂的，既得看得懂指标报表，又得能跟客户解释为什么模型给出了某个回答，还得会写分析报告推动算法侧改进。这种岗位的招聘量在涨，但高校里根本没有对口的专业，全靠企业在实践中自己培养。
岗位层级、供需缺口与复合型岗位变化
从层级来看，高端岗位的供需缺口大得有点夸张。我了解到的情况是，大模型方向的技术负责人、AI平台架构师这类岗位，一个职位放出去往往能收到上百份简历，但真正能进入终面的候选人寥寥无几。猎头朋友跟我讲，有些公司为了招一个AI技术总监，愿意等半年甚至更久，宁缺毋滥的态度非常明显。这种高层级岗位的招聘周期拉长，跟基层岗位的快进快出形成了鲜明对比。
中间层级的岗位结构变化最有意思。纯粹的算法工程师岗位在招聘中的占比在下降，取而代之的是“算法+工程”“算法+业务”“算法+产品”这类复合型岗位。我在招聘平台上观察到一个现象，越来越多JD的标题里出现了斜杠，比如“算法工程师/MLOps工程师”“AI产品经理/解决方案架构师”。有HR朋友跟我说，这不是标题写错了，是故意的，他们就是想招一个能跨界的人，哪怕多花点钱也愿意。复合型岗位的薪资溢价确实存在，我对比过同类岗位的薪酬数据，带有复合要求的岗位普遍比单一技能岗位高出两到三成。
初级岗位的竞争反而在加剧。我碰到好几个应届生跟我聊找工作的事，他们说纯算法岗的校招门槛高得吓人，顶会论文、大厂实习、竞赛名次几乎成了标配。有个学生很聪明，他发现自己纯拼算法拼不过那些科班博士，就转向了AI应用落地方向，补了一些工程和行业知识，最后拿到了一家做智慧医疗公司的offer。这个案例给我的启发挺大的，岗位结构在变，求职策略也得跟着变，盯着算法岗一条路走到黑未必是最优解。
整个岗位结构的演变方向，我自己的判断是从金字塔形往橄榄形走。底部纯执行类的岗位在萎缩，顶部尖端算法研究岗数量有限，中间那层既懂技术又能落地、既懂算法又懂业务的人，正在成为招聘市场最抢手的群体。这个变化对求职者的启示很直接，光会调参不够了，得往上下游延伸，往业务场景里扎，往工程化能力上补。招聘方那边也一样，JD写得越窄越难招到人，把复合型要求想清楚再发出去，反而更容易匹配到合适的人选。
前阵子帮一个学弟改简历，他本科学自动化，硕士转的AI，手上有几个图像分类的项目，按两年前的眼光看这份简历挺能打的。结果他投了十几家，笔试都过不了几回。我拿过来一看，问题出在技能栏那几行字上——TensorFlow、PyTorch、CNN、Transformer，全是孤零零的名词，没有一个词跟部署、跟工程、跟线上环境沾边。这件事让我琢磨了挺久，企业对AI岗位硬技能的定义，确实早就不是会搭模型会调参这么简单了。
硬技能从单一算法到工程化、平台化与MLOps
我最近面了几个算法岗的候选人，有个细节挺有意思。问他们项目经验的时候，十个里有八个会花大段时间讲模型结构怎么设计的、指标提了多少个点。我只要一追问“这个模型上线了吗、推理延迟多少、占多少显存、监控怎么做的”，能答上来的人就少了一大半。这个现象说明啥，大部分人的技能栈还停在训练那一段，从训练完到真能用的那一段路，很多人压根没走过。
工程化能力现在是硬通货。我认识一个在头部大模型公司做推理优化的朋友，他跟我说他们团队招人基本不看模型创新性，看的是你对CUDA、对显存管理、对量化压缩到底有多熟。有个候选人简历上写“将推理延迟从800ms降到120ms”，面试官直接追着问了四十分钟细节，最后给了顶格offer。这种能力在市场上能换来真金白银，我对比过同级别的算法岗，带工程化能力要求的岗位薪资普遍高出一截。
MLOps这条线更有意思。两三年前我几乎没在JD里见过这个词，现在翻十个AI岗的招聘要求，至少三四个会提MLOps。我有个朋友从算法工程师转去做MLOps，他跟我描述日常工作时说，就是给模型训练和上线修高速公路，让算法团队不再为环境、部署、监控这些事头疼。我问他这活跟传统运维有什么区别，他说区别大了，得懂模型、懂数据版本管理、懂特征平台，纯运维背景的人干不了。
平台化能力也得单拎出来说。我接触过几个大厂的AI中台团队，他们招人时特别看重候选人有没有做过平台类的项目。一个做AI平台架构的朋友跟我说，他们需要的不是只会用工具的人，而是能设计和维护工具链的人。训练平台、推理平台、数据标注平台，这些东西的建设能力，在招聘市场上的溢价越来越高，而且这类岗位的职业生命周期明显比纯算法岗长一些。
生成式AI与大模型相关技能需求扩展
大模型这一波带来的技能需求扩展，速度快得有点让人跟不上。我去年底跟一个做招聘的朋友聊天，他说年初客户要的人还是RAG方向，年中就开始要Agent方向，到了年底已经有人在问具身智能相关的技能了。技能关键词的迭代周期从以年为单位压缩到了以季度为单位，这对求职者的学习能力提出了非常高的要求。
具体到技能清单上，变化特别明显。prompt engineering这个词两年前几乎没人提，现在已经成了不少AI产品岗和解决方案岗的标配要求。我有个做AI产品经理的朋友，她跟我说现在写PRD的时候必须得想清楚prompt怎么设计、上下文窗口怎么管理、不同模型的输出稳定性怎么保证，这些事在传统产品岗的工作流里根本不存在的。她为了补这块技能，自己掏钱上了好几门课，还搭了个小demo练手。
RAG和微调这两块的需求量也很大。我观察招聘JD有一个发现，写着“熟悉RAG架构”的岗位从去年开始明显变多了，而且不光是算法岗在要，解决方案岗、实施岗也在要。有个做企业知识库的朋友跟我说，他们招实施工程师的时候，候选人如果懂RAG的检索策略优化，薪资可以多谈两成。微调这块类似，LoRA、QLoRA这些技术名词开始出现在越来越多的JD里。
Agent相关的技能需求是最近半年才爆发起来的。我上个月参加了一个线下技术沙龙，全场讨论最热烈的就是Agent的工程实现。一个在做多Agent协作系统的工程师跟我聊了很久，他说现在招人最头疼的是找不到有Agent实战经验的人，因为这块技术太新，大部分人的经验来自个人项目或者开源社区，企业级的落地经验极度稀缺。他团队现在招人基本不看工作年限，就看有没有踩过Agent的坑，踩过多少坑。
模型评估和可观测性这块的需求也在快速长出来。我有个朋友在一家做AI应用的创业公司负责模型质量，他跟我说现在最缺的人是能设计评估体系的人。传统算法岗的评估相对简单，分类任务看准确率召回率，推荐任务看AUC。大模型的评估复杂得多，幻觉率、有用性、安全性、语气一致性，这些维度怎么量化、怎么自动化，市面上成熟的经验很少。他团队现在用的是自己搭的评估流水线，边用边改，招人也是按这个方向在找。
行业知识、业务理解、协作与伦理合规等复合能力
硬技能聊完了，我想说点软的东西。这块在招聘中的分量在肉眼可见地变重，但很多求职者还没反应过来。我自己有个亲身体会，前两年帮朋友公司面一个AI产品岗，候选人技术背景很漂亮，聊到具体的医疗场景时却卡壳了，因为他对医疗流程、合规要求、医生的使用习惯完全没有概念。面试官后来跟我说，技术可以补，行业理解这个东西补起来太慢了。
行业知识现在成了实打实的加分项。我认识一个做金融风控AI的朋友，他跟我说他们团队招人时会优先看有金融背景的候选人，哪怕算法能力稍弱一点。原因很简单，风控模型的很多约束来自监管要求和业务逻辑，一个不懂金融的人做出来的模型，大概率过不了合规那关。他还跟我举了个例子，说有些特征在技术上有效，但在业务上不能用，这里面涉及的东西不是一个纯技术背景的人能自己琢磨出来的。
业务理解能力在应用类岗位里几乎是核心要求。我跟一个做智慧零售的朋友聊过，他说他们招AI解决方案岗时，最看重的就是候选人能不能把业务问题翻译成技术问题。很多候选人技术很扎实，但一上来就聊模型选型，连客户到底想解决什么问题都没搞清楚。他团队里做得最好的那个人，背景是零售运营出身，后来补的技术，跟客户聊的时候能直接说到痛点上去。
协作能力这块听起来虚，但企业端越来越当真了。我有个在AI团队做Tech Lead的朋友跟我吐槽，说现在招人最怕两种人，一种是技术很强但完全不跟产品对齐的，另一种是只会闷头写代码不跟上下游沟通的。他说的原话是，AI项目天然是跨团队协作的活，算法、工程、产品、业务、法务，哪个环节断掉项目都推不动。他们在面试里会专门设计协作场景的问题，看候选人怎么处理冲突、怎么推动事情落地。
伦理合规能力的需求增长，跟监管环境的变化直接相关。我最近翻招聘信息，发现“熟悉AI伦理规范”“了解算法合规要求”这类描述出现的频率越来越高。有个做AI治理咨询的朋友跟我说，现在不少企业在招AI产品经理和算法负责人时，会把伦理合规作为一个独立的能力项来考察。他参与过几次企业的AI伦理审查，发现很多团队压根没有这方面的意识和流程，出了问题才临时抱佛脚。
认证体系这块的变化也挺值得关注。市面上跟AI相关的认证这两年冒出来很多，质量参差不齐。我接触过几个考了云厂商AI认证的候选人，实话实说，认证对能力的证明作用有限，但企业HR筛选简历时确实会看。有个做招聘的朋友跟我讲，认证在他们那里更多是一个初筛标签，能过简历关，但面试还是看真本事。他自己更认可的是那些需要动手做项目的认证，纯选择题考试的那种，含金量确实不高。
企业内部对技能重塑的投入也在加大。我认识一个在传统制造企业做数字化转型的朋友，他们公司去年开始搞AI技能培训，把一批懂业务的骨干送去学数据分析和模型应用。他跟我说效果比直接招人好，因为这些人懂产线、懂流程，学完技术之后落地能力特别强。这种内部培养的模式在传统行业越来越常见，也给那些想转AI但技术背景不深的人提供了一条路。
回到技能这个主题上，我自己的感受是，AI岗位的技能要求正在从“会不会”往“能不能落地”迁移。硬技能的边界在扩展，从算法本身延伸到工程、平台、运维。软技能的分量在加重，行业理解、业务翻译、协作推动这些能力不再是锦上添花。认证体系还处在野蛮生长的阶段，有用但别指望靠它包打天下。对求职者来说，最稳的策略可能是把技术深度守住，同时往上下游和业务场景里延伸，让自己变成那个能把AI真正用起来的人。
上个月有个在杭州做HR的朋友给我打电话，聊着聊着就吐槽起来，说他们公司今年校招AI岗，收到的简历里十个有六个是北京高校的，剩下四个里还有两个是上海和深圳的。她老板看完简历池来了一句“怎么翻来覆去就这几个地方的学校”，把她噎得够呛。这事让我意识到，聊AI招聘如果只看行业和岗位，漏掉地域和组织这两个维度，很多问题其实说不透。
城市群与产业园区人才需求集聚及下沉趋势
北京、上海、深圳、杭州这几座城市在AI人才需求上的集聚程度，我自己的体感是非常强烈的。前阵子帮一个创业公司看招聘数据，他们放出来的AI岗，投递量前四的城市加起来占了七成多。这跟产业分布是直接挂钩的，大模型公司扎堆在北京海淀和望京，自动驾驶和硬件相关的AI岗位集中在深圳，电商和场景应用类的需求杭州占了一大块。我有个在深圳做猎头的朋友说，他们公司接的单子里，南山科技园那一片的需求量能顶得上半个省。
产业园区这种集聚形态对招聘的影响很有意思。我去年去过一次合肥的一个人工智能产业园，里面几十家企业做的东西看着五花八门，聊下来发现有不少隐性的关联，做视觉的、做语音的、做传感器的，互相之间挖人和合作都很频繁。有个在园区里做AI芯片的朋友跟我说，他们招人比市区里的公司容易些，因为候选人来面试一趟，顺便就去隔壁几家也投了简历，园区这个物理空间反而促成了人才的快速流转。我听完觉得挺有意思，产业园不光是给政策给场地，本身就成了一个招聘的流量入口。
下沉趋势这块我观察到的信号还比较零散，但确实在发生。成都、武汉、西安、合肥这些城市的高校资源摆在那里，地方政府推AI产业的力度也大，一些头部企业的分部或者区域研发中心开始往这些地方落。我有个朋友在成都做AI训练平台的开发，他之前在杭州待了三年，去年回成都之后薪资降了两成左右，但他说生活成本和节奏的落差远超那两成。他还跟我提了一个变化，说成都这边做AI应用落地的公司肉眼可见地在变多，以前回来基本只有游戏和军工两个方向，现在教育、医疗、零售都有公司在招人。这种区域性的需求分散，对不愿意挤在北上深的人来说多了一个选项。
企业AI团队组织嵌入与外部协作变化
聊完地理维度，我想说说组织这一块。企业怎么把AI团队嵌进现有的业务体系里，这件事直接影响到招聘的岗位定义和人选画像。我见过几种典型的做法，差别挺大。有一种是独立的大模型事业部或者AI中台，直接向CTO或者CEO汇报，团队规模大、岗位细，算法、工程、产品各司其职。另一种是把AI能力打散到各个业务线里，每个业务线自己养几个懂AI的人，不追求深度但求响应快。我有个在传统车企做智能座舱的朋友跟我说，他们走的是中间路线，集团层面有一个几十人的AI平台团队负责基础能力，各个车型项目上再配应用型的人做适配，他形容这种结构叫“中央厨房加卫星灶”。
外部协作的变化也值得单独提出来。我接触过几家做AI应用的公司，他们本身的技术团队规模并不大，但合作网络拉得很开。有一家做法律AI的朋友跟我说，他们的模型训练部分外包给了一家专门做微调的公司，数据标注又找了第三家，自己团队主要做产品设计和场景落地。这种模式带来的招聘影响挺直接，他们招人时特别看重候选人有没有管理外部供应商、对接第三方团队的经验。他在面试里会专门问“你怎么跟外包团队对齐技术标准”这类问题，他说光能写代码的人处理不了这种协作复杂度。
高校和实验室的合作也在变密。我认识一个在苏州做工业质检的创业者，他公司挂了一块某高校联合实验室的牌子，学生做前沿探索，公司做工程化落地。他说这种合作带来的招聘便利很大，优秀的学生实习完直接留下，省去了校招的筛选成本。我问他这种模式有什么坑，他苦笑了一下，说最大的问题是节奏对不上，高校的节奏是按论文来的，公司的节奏是按客户订单来的，磨合过程花了他不少精力。这种产学研的嵌入式协作，在AI这种技术密集型领域里越来越普遍，招聘的边界也随着模糊了不少。
项目制、灵活用工、内部转岗与技能重塑等招聘模式
招聘模式的变化是我今年感受最深的一块。以前提AI招聘，默认就是发JD、收简历、面试、入职这条线。现在这条线之外的路径多出不少。项目制用人是我身边很多朋友正在经历的形式，尤其在大模型相关的项目上。我有个做RAG系统的工程师朋友，他今年接了三个项目，每个项目周期三到六个月，做完就换下一个甲方。他跟我说这种模式收入比坐班高，但焦虑感也强，项目之间的空窗期得自己扛。我问他企业端为什么愿意用这种方式，他说甲方很多时候要的就是快速把东西搭出来跑通，养一个长期团队的性价比不如按项目买服务。
灵活用工在AI标注和数据处理这块更常见。我有个在做数据标注创业的朋友，他公司管理着几百个兼职的标注员，分布在各地，按任务量结算。他跟我聊过招人的难点，说标注这活看着门槛低，但做AI相关的标注，尤其是涉及医疗影像、法律文书这类专业领域的标注，对人员的专业背景有要求，找到合适的人比想象中难。他现在的做法是跟几个职业院校建立定向合作，学生兼职做标注，质量和稳定性都还不错。
内部转岗和技能重塑这条路在企业端的实践比我预想的多。我前面提到的那个在制造企业做数字化转型的朋友，他们公司去年挑了一批产线上的老师傅去学数据分析工具，学完回到车间带着做设备预测性维护。他跟我说这些人做出来的模型可能不如专业算法工程师精致，但他们知道哪些参数在产线上真正要紧，落地效果反而更好。他原话是“招一个懂AI的不难，招一个既懂AI又懂我们这行设备的太难了，不如自己培养”。这种内部的技能重塑，给传统企业打开了一条人才供给的路子，也给那些想往AI方向转但缺乏技术背景的人一个入口。
回到这几个维度来看，AI招聘的变化不只是岗位数量在涨、技能要求在变，需求的空间分布、团队的组织形态、用人的方式方法都在同步调整。我自己跟踪这些变化最大的感受是，企业越来越务实了，不再为“AI”这个标签付溢价，而是看你能不能把事落地。对求职者来说，地域选择上多了一些非一线城市的选项，组织形态上要适应越来越普遍的跨团队和跨组织协作，模式上则要做好跟项目制、灵活用工这些新形态打交道的准备。这些变化叠在一起，让AI招聘这件事比前两年复杂了不少，但也更接近真实的用人需求。
