算法岗正在分化：谁在做模型谁在做应用

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WideDeep、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、Claude 3、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。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。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应用工程师用Go写一个后端服务。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。当用户提问时先去向量数据库里检索最相关的几段文本。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。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。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。“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。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。2026年大模型已经无处不在但幻觉hallucination仍是企业落地的最大杀手金融风控、医疗问诊、客服机器人动辄编造事实直接导致合规风险和信任崩盘。知识图谱Knowledge Graph的核心价值正是结构化知识把碎片化数据变成实体-关系-属性的三元组网络让大模型先查图谱再回答。行业价值支持复杂多跳推理、知识溯源、实时更新广泛用于推荐系统、智能搜索、企业大脑。大模型痛点纯向量RAG召回率低、无法处理逻辑关系知识图谱大模型GraphRAG可将准确率提升40%以上。图谱赋能意义把大模型从概率生成器变成可信知识引擎真正实现企业级私有化落地。核心知识点知识图谱不是又一个数据库而是大模型的长期记忆和推理大脑。为方便大家学习 这里给大家整理了一份学习资料包 需要的同学 根据下图自取即可