现在互联网公司的大模型岗位，或者算法工程师岗位，一般的工作内容是什么？

泻药。

先说你的情况：
你暑期实习进了一个 AI 工程师岗，实际干的是调用大模型 API + 云上应用开发 + K8s/Go 这一套，没碰到 SFT 微调，也没做什么从零建模。老实说，这在 2023-2025 这一波 AI 岗里，已经是非常普遍的现实了。

你这个问题，我先给个结论，一个可能会让你有点意外但绝对是现实的结论：

你遇到的情况，不是特例，而是正在迅速成为行业的主流和新常态。你实习干的活，很有可能就是未来几年大多数“AI工程师”或者“算法工程师”的真实写照。算法工程师这个岗位的光环和工作内核，正在被大模型彻底重构。

别急着反驳，也别觉得被“骗”了。这背后不是公司在“挂羊头卖狗肉”，而是整个行业的生产力范式发生了根本性的转移。

时代变了，生产资料都变了

你想想，在没有大模型的时代（其实也就两三年前），算法工程师是干嘛的？

那时候，模型是“稀缺资源”。每个公司，甚至每个业务场景，都得自己“手搓”模型。做推荐的，得从头研究Wide&Deep、DIN、MIND；做CV的，得自己攒人脸识别、物体检测的pipeline；做NLP的，得吭哧吭哧拿Bert-base魔改，调各种trick。

那时候的算法工程师，更像一个“炼金术士”或者“手工作坊的老师傅”。你需要懂很多模型原理，会调参，会做特征工程，能把一堆原始数据，通过复杂的工序，炼成一个能用的“丹”，也就是模型。所以那时候大家卷的是AUC、是F1-score，是各种榜单，发论文对找工作也特别管用。核心价值在于“创造模型”。

但现在呢？大模型，特别是像GPT-4、文心一言这种基础模型，它成了新的“工业级生产资料”。

这就好比以前大家都是自己种地、纺纱、织布。突然有一天，市场上出现了质量极好、价格便宜的工业化布料。那你觉得，社会上还需要那么多“纺纱工”和“织布工”吗？肯定不需要了。大部分人的工作，会变成用这些现成的布料，去设计和裁剪成各种时髦的衣服、裤子、窗帘，然后卖出去。

现在的大模型就是这块“工业化布料”。OpenAI、Google、百度这些巨头，就是“纺织厂”。他们把最难、最耗钱的“纺纱织布”（预训练大模型）的活儿给干了。

所以，对于绝大多数公司来说，他们不再需要，也负担不起自己从零开始去“织布”。他们的核心任务变了，变成了：如何用好这些现成的、强大的“布料”，去做出能解决自己业务问题、能赚钱的“衣服”（应用）。

这就是你为什么在实习中，接触的是Go和K8s，是调用API，是开发云上应用。因为你正在做的，就是“裁剪衣服”的活儿。这活儿重要吗？太重要了。布料再好，做不成衣服也卖不出去，产生不了价值。

现在的“算法岗”，其实是个“岗位簇”

现在大家嘴里说的“算法工程师”或者“AI工程师”，已经不是一个单一的岗位了，它其实分化成了好几个差异巨大的方向。我按金字塔结构给你分个类，你看看你在哪，想去哪：

1. 金字塔尖：基础模型研究员/科学家 (The Model Builders)
这部分人，大概只占整个行业的1%-5%。他们就在那些“纺织厂”里工作，比如OpenAI、Google DeepMind、Meta AI，或者国内的头部大厂核心模型团队。他们的日常工作就是我们传统认知里的“炼丹”，研究新的模型架构、新的算法（比如MoE）、搞多模态、解决对齐问题、优化训练效率，目标是做出下一个版本的GPT-5。

• 工作内容：读写论文、做学术实验、处理海量数据、搞大规模分布式训练。
• 门槛：神仙打架。顶级名校的博士是标配，手里没几篇顶会论文基本没戏。数学、计算机理论基础要极其扎实。

这就是你想的“对方法论的研究”，但这个圈子非常小。

2. 金字塔中坚：模型微调/领域应用专家 (The Model Tuners)
这部分人，大概占15%-20%。他们通常在有大量高质量私有数据，并且业务场景非常垂直、价值非常高的公司。比如金融领域的量化交易、风控；医疗领域的医学影像分析、药物研发；法律领域的合同审查等。

• 工作内容：他们不会从零训练模型，但会拿基础模型（比如LLaMA）来做SFT（监督微调）、RLHF、LoRA等，让模型适应自己所在领域的特定任务。他们需要对业务有很深的理解，知道怎么整理和利用私有数据来“喂”给模型，让它变成一个“领域专家”。你提到的“sft微tuning”就在这个范畴。
• 门槛：硕士起步，有扎实的机器学习/深度学习功底，熟悉Pytorch/Jax等框架，并且通常需要很强的领域知识（Domain Knowledge）。

3. 金字塔基座：AI应用开发工程师 (The AI Application Engineers)
这部分人，是现在最大多数的，占比可能超过75%，而且还在不断扩大。你，以及绝大多数未来的“AI工程师”，都在这个范畴。

• 工作内容：就是你现在干的活儿。核心是“用”模型，而不是“改”模型。具体来说，包括但不限于：

• • Prompt Engineering： 怎么写好提示词，让模型输出我们想要的结果。
  • RAG (检索增强生成)： 搭建知识库，用向量数据库把公司文档、产品说明存起来，让模型能根据这些私有知识来回答问题。这是目前最最火、应用最广的技术。
  • Agent开发： 让模型能调用外部工具（API），比如查天气、订机票、操作数据库，完成更复杂的任务流。
  • 工程化落地： 把上面这些技术整合成一个稳定、高并发、低延迟的线上服务。所以你需要懂Go/Python/Java，需要懂K8s、Docker做部署，需要懂API设计，需要懂系统监控。

我给你举个具体的例子，比如做一个智能客服。

以前的算法工程师：需要收集大量对话数据，标注意图，然后训练一个意图识别模型（比如用BERT）。再设计一套复杂的对话管理系统（DST）。整个过程80%的时间在跟模型和数据打交道。

现在的AI应用工程师：

1. 1. 用Go写一个后端服务。
   2. 把公司的FAQ文档、产品手册处理一下，扔到Milvus或者Pinecone这样的向量数据库里。
   3. 当用户提问时，先去向量数据库里检索最相关的几段文本。
   4. 然后把用户的原始问题和检索到的文本，一起打包成一个Prompt，发给GPT-4的API。
   5. 最后把GPT-4返回的结果展示给用户。
      你看，整个流程里，核心的“智能”部分，被一个API调用替代了。你的工作重心，变成了如何设计和维护好这个调用API的“架子”。这个“架子”的稳定性和效率，直接决定了产品的成败。所以学K8s和Go，一点都不亏。

看到这里，你可能有点失落，觉得“算法岗”不“算法”了。别慌，心态要调整。

1. 别看不起“应用落地”，这才是价值的最终体现。 算法的价值不在于发了多少篇paper，或者模型在某个数据集上跑了多高的分。最终的价值，在于它能不能解决实际问题，为公司带来收入或者降低成本。你现在做的，就是离钱、离业务最近的事。能把一个AI应用做得稳定、高效、便宜，这里面的技术含量和工程挑战一点都不少。能把这套东西玩明白的人，在就业市场上非常非常抢手。
2. “算法思维”依然是你的核心竞争力，只是表达方式变了。 以前的算法思维体现在模型选择和调优上。现在的算法思维，体现在你对整个AI应用链路的理解上。比如，你知道什么时候该用RAG，什么时候需要微调；你知道为什么某个Prompt效果不好，可能是因为模型幻觉，也可能是你的检索模块出了问题；你知道怎么评估一个AI应用的好坏，不能只看回答的“像不像人话”，还要看它的事实一致性、响应速度和成本。这些都是你的“算法味儿”所在。
3. 不要把自己局限成一个“API调用工程师”。 这是最关键的一点。虽然你日常工作是写Go和K8s，但你必须保持对模型本身的敏感度和学习能力。往下钻你得去搞懂RAG的原理是什么，向量数据库是怎么回事，为什么用余弦相似度而不是欧氏距离。你甚至可以自己动手用开源模型（比如ChatGLM、Qwen）和LangChain/LlamaIndex这些框架，在本地搭一个玩具RAG系统，跑通整个流程。这能让你在和别人沟通时，不只是个传话筒。往上抬： 要去理解你做的这个AI应用，在整个业务里扮演什么角色，解决了什么问题，为用户提供了什么价值。多和产品经理、业务方聊。只有懂业务，你的技术才能用在刀刃上。

前阵子整理电脑，翻出了我压箱底近十年的私藏。这不只是一份书单或课程列表，而是我从一个码农到带头人，一路踩坑验证过的知识体系地图。

不仅有很多大模型落地一手资料，而且从操作系统、网络这些硬核基础，到架构设计，再到算法实战，都帮你串好了。啃下来，地基绝对比别人牢。

分享出来，就是希望能帮你少走弯路，把劲儿使在刀刃上。东西放下面了，自取。

总之一句话，你现在走的这条路，一点都没偏，反而是最宽、最主流的一条路。别因为手里的活儿不是“高大上”的炼丹就焦虑。把工程基础打扎实，同时保持对模型原理和业务的理解，你的职业生涯会走得非常稳。

条路，一点都没偏，反而是最宽、最主流的一条路。别因为手里的活儿不是“高大上”的炼丹就焦虑。把工程基础打扎实，同时保持对模型原理和业务的理解，你的职业生涯会走得非常稳。

这个时代，最稀缺的，恰恰是既懂AI，又懂工程，还懂业务的综合性人才。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！