大模型岗位傻傻分不清？小白程序员必看！收藏这份超全解析，助你轻松入行大模型！

本文详细介绍了大模型相关岗位的划分，包括算法、开发、infra、评估、数据五大类。其中，算法岗分为基座模型岗和应用算法岗，基座模型岗注重理论研究与工程实践，应用算法岗则聚焦行业场景落地。开发/Agent工程师负责模型搭建与实现，Infra工程师处理底层支撑，数据工程师处理数据采集与清洗，评估工程师负责产品评测。文章强调，大模型正在重构行业人才需求，打破技术栈边界，未来每个人都能找到独特的生态位。建议求职者关注JD描述，选择自己擅长的方向。

岗位划分

大模型算法工程师

我们先来介绍算法岗。

算法岗可以分为两大类：基座模型岗和应用算法岗。

基座模型岗

基座模型岗，有的也叫预训练算法岗，可以分为三类：理论派、工程派、能力派：

1. 1.理论派：主攻 Attention、MoE 这些核心基础架构，目标是突破理论天花板。
2. 2.工程派：做预训练、中期训练、后期调优全流程，验证模型的规模效应。特点是极其吃算力、数据等资源，可能千卡、万卡集群都很常见，有明确的技术交付指标，主打通用基础能力的搭建。
3. 3.能力派：也是当下的热门方向，就是让模型具备自主行动能力，目标是 “模型即产品”、最终落地产生价值。现阶段的核心还是搭建 Agent 相关基础能力，比如工具调用、计算机操作，和前两类比，这类工作的反馈更快，要做大量后期调优和强化学习，还需要让模型和真实环境深度交互。

这里多说几句，很多同学对agent相关工作有误解，认为调个 API 套个壳，就是agent的全部工作了，就觉得这个工作跟算法好像没什么关系，但其实不是这样的。

通过数据微调，让模型原生具备更强的 Tool Call 能力、解决复杂场景的规划问题，这也是agent相关的工作。比如最近很火的 GUI Agent，其中美团做了一个 EvoCUA 的工作，团队中的成员也有发过工作总结，大家也可以去看一下：

一般来说，基座模型岗是要求有对口论文的。

但有同学会说，居老师你说的不对，我没有论文我现在也在某某基座模型实习。

是这样的，一方面呢，基座算法其中有80%的工作是数据工作，另一方面，除了通义千问、字节 Seed、智谱 GLM 这些大家熟悉的基座模型，像商汤、讯飞、百川这些公司也有自己的基座模型研发团队。不过这里有个问题啊：现在基座模型领域正处于百模混战的阶段，行业发展规律其实和早年团购行业的百团大战很像 —— 初期大批玩家扎堆入局，后期经过市场、资源的层层筛选，最终只有少数头部玩家能站稳脚跟，持续提供大模型的底层基建服务，其余玩家会逐步被淘汰。

大家可以想想，最终能在基座模型这条赛道活下来的，会是哪几家？

应用算法岗

还有一类是大模型应用算法岗，也是大部分同学最终会入职的岗位 —— 不光是计算机科班，很多非科班、和计算机沾边的跨专业同学，或是没有论文成果的同学，都能适配入行。

这类岗位核心聚焦行业场景落地，比如金融、医疗、智能客服、营销等领域，核心业务目标就是让大模型产品落地后真正能用、好用。至于具体是调用 API、搭建 Workflow、做 Agent 应用，还是针对场景做轻量化模型训练，这些都只是实现落地目标的手段而已。当然部分业务部门的应用算法岗，也会根据需求做相关研究工作，部分岗位还会有论文产出的要求。这类岗位更看重对口的项目经验和工程能力，尤其是 Agent 方向，变化特别明显：以往算法岗基本只需要提供模型或算法逻辑接口，而现在随着行业业态的成熟，调度算法的业务逻辑逐渐由算法岗主导，算法岗尤其是 Agent 方向，后续对工程能力的要求大概率会持续提升。

当然算法岗对学历会有一定要求。

我今天把基座模型岗的内容讲得比较细致，而应用算法岗的范畴更广、细分方向也五花八门，没法穷尽。大家之后再看到大模型算法岗的招聘，只要排除掉基座模型岗的范畴，剩下的基本就都是应用算法岗了。

大模型开发/Agent工程师：

• 这个是界限最不明确的一类岗位了，这个岗位从诞生至今可能都没有超过三年，很多同学不太能区分它和大模型应用算法岗的区别。而且大模型算法岗其实就是以前的 NLP 算法岗，现在各家公司的大模型部门、业务线又都是刚成立没多久，所以岗位划分没有那么明确。
• 这里面开发岗也分两种，用 java 或者 go 的，跟算法岗的区别特别明显；但用 python 的就容易混，比如有些大厂会让开发部门，自己做类似 langchain、langgraph 的框架供内部用，这类工作就和算法岗有点交集。这里有一个判断方法，比如云端部署、断点续传、缓存、模型api接口维护这些肯定是开发的工作，强化学习、思维链压缩、知识蒸馏这些涉及模型效果优化的肯定是算法的工作，但是像文档解析、agent搭建、tools编写、sft、向量入库这些就不是很清晰了，有的公司是算法在做，有的公司是开发在做。

AI Infra 工程师

• 负责分布式训练、推理加速等底层支撑，是模型高效运行的基础，难度比较大，大多数做这个方向的同学在校期间导师的研究方向就是这个，有一定积累才会去做，真感兴趣的话就从看vllm或者sglang的源码开始吧。

大模型数据工程师：

• 主要工作是是做数据的采集、清洗与 Pipeline 搭建，目标是构建高质量数据。

大模型评估 / Agent 评估工程师

• 负责产品的性能、效果、安全性等维度的评测体系构建，是模型、agent迭代优化的关键环节。不是很推荐，学历不太好的同学可以做，更容易进大厂。

趋势判断

岗位介绍就讲完了，前段时间有个新闻，不知道大家有没有看到，就是前阿里 P10 毕玄（他现在正在创业）的一条钉钉消息：

无独有偶，美团履约团队也推行 全栈化，把部分前端同学转到了后端组，前后端代码一起写。

所以经常有同学问我，我不知道我应该投哪个岗位，我的意见都是，不用管岗位是什么名字，jd描述中你懂的东西超过三分之一就可以投。我也见到过很多同学，可能一开始准备的是算法，结果最后去做了产品。

尤其是大一大二的同学，等你就业的时候，这种打破技术栈边界的岗位划分说不定已经成了行业普遍现象，而大多数人只需要通过自然语言就可以独立开发可盈利、高可用的工具和产品。

这可能意味着，在未来，每个人都能找到自己独特的生态位，不再被单一技术栈定义，不再是流水线上的一个环节。

而信息差的不断抹平，更是让 超级个体 和 一人公司 成为可能。比如前段时间火过的红墨、蕉幻、微舆这些产品，从想法萌生到产品落地，再到市场推广，整个链路的时间被不断压缩，一个人就能完成过去一个团队的工作 —— 当销售渠道、推广费用、后期维护这些环节，都能通过工具和平台高效解决，个体的创造力，会成为这个新时代最核心的竞争力。

当然，我们也得承认人性的差异：有人偏爱创新与探索，有人更倾向于稳定和按部就班，所以基础岗位依然会存在。

但不可否认的是，大模型正在重构行业的人才需求，从专才到通才，从技术深耕到技术融合，是不可逆的趋势。

下一期，我将分享大模型应用算法学习路线，我们下期再见吧！

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】