写在前面
去年秋招我被拒了四次。不是简历没人看,是每次聊到最后,我都说不清楚自己到底值多少钱、想去什么位置。后来我干脆花了两周,把 2026 年 AI 校招的薪资数据翻了个底朝天——优快云、新浪新闻、智联招聘的统计都拉出来对照着看。
这篇没有高深方法论,就是一个普通应届生研究完榜单之后的复盘,写给同样在秋招里迷茫的人。
我原来错在哪
我之前的求职策略特别朴素:海投,哪要我去哪。结果就是简历投出去像石沉大海,偶尔有面试也聊不出东西。
研究完数据我才明白,我犯的最大错误是:AI 行业不是一个岗位,是四个梯队的市场,而我连自己要投哪一层都没想过。
2026 校招 AI 岗位的薪资分四层:核心算法岗(大模型、NLP、多模态)月薪中位数 2.5 万起步;AI 产品经理顶尖约 3.1 万;数据工程师、MLOps 这类工程支撑岗 1.5-2 万;AI 测试、数据标注这类基础支持岗 0.85-1.36 万。顶端的 90 分位人才月薪 5.2 万、年薪最高 154 万,头部企业年薪 30 万起步。
同样叫 AI 岗位,头尾差距 3-4 倍。我之前海投的时候,简历里一会儿写算法项目一会儿写运营经历,等于告诉每家公司"我自己都不知道自己是哪一层的"。
研究榜单后我改了三件事
第一件事:定层。 我把自己本科的数学课成绩和两个项目摊开诚实评估了一遍,结论是核心算法梯队暂时够不上,工程支撑梯队(数据工程、MLOps)是跳一跳够得着的位置。目标一收敛,投递立刻从海投变成了精选。
第二件事:补短板。 企业在 AI 校招里最看重什么?排序是:数学与算法基础 60.3%、实际项目/实习经历 52.5%、精通热门技术框架 34.6%、软硬件协同经验 30.7%、名校学历 28.8%。
我盯着这个排序看了很久,尤其是最后一条——名校学历只占 28.8%,排最后。学历神话正在破灭,企业更看重你能不能干活。这对我们这种普通学校出身的人是实打实的好消息:数学和项目才是硬通货,学历是软通货。我把刷八股的时间换成了补概率统计和做一个完整的数据管道项目。
第三件事:换叙事。 简历不再是"我什么都能干",而是"我在数据工程层做过什么、能证明什么"。一段对口的实习或者一个能跑通的项目,比十段杂七杂八的经历有说服力。
两个让我松一口气的发现
研究过程中有两个发现,专门写给觉得自己"来不及了"的人。
第一,机会不只在核心算法岗。 AI 产品经理、数据工程/MLOps、AI 运营/Prompt 工程师、垂直行业 + AI,这四条路都是正路。AI 产品岗拼的是懂技术加懂业务的复合能力,垂直行业 + AI 靠行业知识做差异化——比如医疗、金融背景叠加 AI 技能,避开纯技术赛道的红海。
第二,AI 技能的溢价不限于 AI 公司。 拥有 AI 技能的工作者薪资溢价高达 56%。也就是说,就算秋招暂时拿不到 AI 岗 offer,先把 AI 能力装进自己身上,去传统行业找工作时薪酬谈判也多一张牌。这不是一场只有唯一解的考试。
顺便说说数据里最扎心的一段
研究榜单时,有一段数据我反复看了好几遍,因为它戳破了我一个幻想。
四梯队表里,基础支持岗(AI 测试、数据标注)月薪 0.85-1.36 万,和核心算法岗(2.5 万+,90 分位 5.2 万)差 3-4 倍。而我之前投简历的时候,其实连"数据标注员"这样的岗位也投过——当时想的是先进 AI 行业再说。
现在我明白问题在哪了:"先进行业再说"这句话本身没错,错的是没有迁移计划。 行业确实在放量(58.2% 的企业扩招、大厂 AI 岗占 60%-90%、同比增长 40%+),但各梯队的增长并不均衡——放量大头在核心算法和工程支撑岗。如果一个转行的人先落到基础支持岗,却没有规划往工程支撑或产品岗迁移的路径,几年后大概率还在原地。
所以我把"定层"放在三件事的第一件。定层不是定终身,而是定一个两到三年的迁移路线:现在在哪层、下一步去哪层、每一步要补什么。基础支持做跳板没问题,但跳板要有明确的落点——比如从数据标注转数据工程,你的标注经验就是理解数据质量的天然优势。
还有一个数字给所有在底层徘徊的人一点底气:拥有 AI 技能的工作者薪资溢价高达 56%,且不限于 AI 公司。梯队在分化,但 AI 技能本身的溢价是普适的——你在任何一层积累的 AI 能力,都会在你跳向下一层时被定价。
把我的新投递清单公开
复盘的最后,把我研究完榜单后重写的投递清单放出来,给同路人参考。
目标梯队:工程支撑(数据工程 / MLOps),理由是我的编程底子在这一层复用率最高,且这层月薪 1.5-2 万、随大模型落地持续升值,竞争烈度低于核心算法岗。
冲刺目标:同一家公司的 AI 产品岗(顶尖月薪约 3.1 万)作为第二志愿——我的项目里有一半是业务导向的,复合叙事在那边成立。
简历主线:一段数据管道项目 + 一个 RAG 应用 + 两门数学课的高分记录。删掉所有与这两条主线无关的经历,哪怕它们曾经让我自豪。
投递组合:头部大厂(百度、阿里、字节 AI 岗占校招总量 60%-90%)投三家冲刺,58.2% 在扩招的中腰部企业投八家主战场,垂直行业公司投五家保底。每次投递前把简历里和该梯队最相关的一段放到最前面。
时间表:未来四周完成上述准备,第六周开始投递,第八周复盘第一轮反馈并调整叙事。
这份清单不完美,但它解决了我之前"投出去像石沉大海"的问题:每份简历都知道自己是谁、要去哪、凭什么去。
需求侧给我的一点底气
焦虑的时候看看需求侧数据能稳住心态:百度、阿里、字节 AI 相关岗位占校招总量的 60%-90%;头部企业 AI 校招同比增长超 40%;58.2% 的企业计划扩招 AI 岗位。薪资结构上股票期权占比也在显著提升。
翻译一下:这不是一个正在关门的市场,是一个正在放量、超过一半企业都缺人的市场。缺的不是投简历的人,是对准了位置、拿得出证据的人。
结尾
四次被拒教会我一件事:求职不是考试,是定位。2026 AI 校招的钱很多——月薪 5.2 万的天花板、154 万的年薪、3.1 万的产品岗顶薪——但每一个数字背后都对应着明确的位置和能力要求。
先定层,再补短板,最后换叙事。这是我用两周研究和四次被拒换来的三步。愿你秋招顺利,拿到属于你的那个数字。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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】


为什么要学习大模型?
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年,人才缺口已超百万,凸显培养不足。随着AI技术飞速发展,预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。


大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!

2、大模型学习书籍&文档
学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),它们由领域内的顶尖专家撰写,内容全面、深入、详尽,为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告
2025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。

4、大模型项目实战&配套源码
学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题
面试不仅是技术的较量,更需要充分的准备。在你已经掌握了大模型技术之后,就需要开始准备面试,我精心整理了一份大模型面试题库,涵盖当前面试中可能遇到的各种技术问题,让你在面试中游刃有余。

适用人群

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
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
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】

1320



被折叠的 条评论
为什么被折叠?



