找AI工作应该卷什么？

一、先卷清：你要进哪条赛道（别乱卷）硬核算法/大模型岗：卷学历（硕博优先）、论文、顶会、分布式训练、Transformer、预训练/微调/SFT/DPO。神仙打架，普通人慎入。AI应用开发/LLMOps：卷Python、PyTorch、Hugging Face、RAG/Agent、向量库、模型部署、Docker。本科可冲，最稳上岸口。AI产品/运营/提示词：卷业务理解、Prompt工程、需求拆解、数据评估、落地闭环。非技术转行最优解。数据/标注/训练师：卷规范、效率、质控、领域知识。门槛低，但可替代性高，要快速往上走。二、必须卷的硬技能（缺一个都难拿Offer）1. Python+基础工具焊死：NumPy/Pandas/Sklearn，不会别投AI岗2. 大模型三件套必掌握：Prompt、RAG、微调（QLoRA够用）3. 工程能力＞理论：能跑通项目、能部署、能排查bug，企业不养做题家4. 一个能上线的作品集：私有知识库、智能问答、自动化Agent，比证书有用10倍5. 基础数学不拖后腿：线代、概率、统计，不用精通但要懂三、更要卷的软实力（决定你能不能过面试）会拆需求：把业务问题转成AI能解决的任务会验结果：识别AI幻觉，判断输出能不能用会讲项目：说清你做了啥、解决啥问题、数据指标能落地：不是会调参，是能把东西做出来给业务用四、现在AI求职的真实残酷真相算法岗极度卷学历，300份简历过不了10个只会基础CRUD、只会套壳、只会问ChatGPT的，全被淘汰企业不招“懂AI概念”的，只招能带来价值的最吃香的：技术+行业复合人才，比纯技术溢价更高五、给普通人的最简卷法（直接照做）1. 选AI应用开发/提示词/AI产品，别死磕算法2. 做1个完整RAG项目，写进简历3. 练会一套面试话术：项目背景→方案→技术点→效果4. 持续跟进主流模型与工具，保持学习力想进AI，别卷虚的，卷落地、卷作品、卷解决问题。

AI基础知识大模型基础核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）。关键能力：文本生成、代码生成、多模态理解（文生图 / 文生视频）、知识问答。前端视角：如何通过 API 调用模型、如何处理流式输出（SSE/WebSocket）、如何优化 Token 消耗。Agent 与 RAGAgent：能自主规划、调用工具、完成复杂任务的 AI 实体（如 Coze 扣子、TRAE）。RAG（检索增强生成）：结合私有知识库，让大模型回答更精准、可控。前端视角：如何设计 Agent 交互界面、如何展示 RAG 检索过程、如何做多轮对话管理。多模态 AI核心：文本、图像、音频、视频的融合生成与理解（如剪映的 AI 生成、实时交互）。前端视角：Canvas/WebGL 渲染、WebRTC 实时流、WebGPU 加速、多模态内容预览与编辑。

先打基础：弄懂端侧 AI 与云端 AI 的区别，理解低功耗、低延迟、本地推理的核心要求；掌握嵌入式基础，熟悉 C/C++、ARM 架构、MCU/SOC 常识，看懂内存与算力约束。再啃核心技术：模型量化压缩是重中之重，先学 PTQ 后训练量化，快速把 FP32 转 INT8/FP16，缩小体积、提速；进阶学 QAT 量化感知训练，保住精度；顺带了解剪枝、蒸馏、轻量化网络设计。工具链必须熟练：PyTorch/TensorFlow 模型导出、ONNX 格式转换、TensorFlow Lite Micro/NCNN/MNN 端侧推理框架、量化工具使用，能跑通 “训练→压缩→移植→部署” 全流程。

我是做嵌入式的，不是AI的，我说说我简单的看法吧卷什么不能盲目的卷，技术这个方向，东西太多太杂了，可以先看看招聘岗位描述，看看是什么行业，什么方向，需要什么技术的，在里面挑选感兴趣的，卷对应的技术就行了

此时此刻，2026年的3月这个时间，llm驱动的agent这一新应用范式已经在coding领域深度扎根，被广泛认可，需要意识这种成功源于两个方面：一是底层llm能力迈过了“能用”的门槛，并且越来越“好用”，差不多一年前，Anthropic发布sonnet 3.7，那时候就已经是“可用”了，未来llm会成为像数据库、消息队列一样的常用组件，集成进各种系统里；二是coding场景天然适合agent应用，一切开发相关的上下文被装进了文件系统和ide，为agent应用做好了所有必备的信息集成，同时bash等命令行工具为agent提供了高效操作文件的能力。两者叠加，才有了vibecoding的繁荣。那么从vibecoding中可以得到什么启发呢，一方面是llm可以通过训练真正胜任下游任务，这条路被证明是通的，另一方面是以目前的agent范式应用llm能力，首先要对需要应用的场景做信息集成、能塞进llm的上下文，然后是要给llm构建足够强大、高效的动作空间，使其操作环境里的数据完成任务。上面说的两个方面，其实就是需求激增的两种“AI工作”的方向，一个是做垂类的算法岗，一个是开发或者说应用岗。算法岗需要“卷”的，是深刻理解模型在具体场景下的工作范式，构建可靠的评测集测试现有模型的能力边界和缺陷，掌握针对性提升能力的数据构建，探索最高效的模型训练方法，让通用基座模型深度适配垂类场景，在现在这种早期阶段，算法岗也不乏需要参与新工作范式的设计和落地，说白了就是承担一部分开发相关的工作。开发岗需要“卷”的，是对业务本身的革新思考，目前的软件生态是移动互联网时代发展来的，与用户的交互逻辑是严谨、固定流程的，而ai灵活的处理能力，赋予了软件设计极大的想象空间，正因为过于灵活，agent等新应用范式的规范设计就显得更加重要，现在可以是agent，以后也可以是别的什么，总的来说，是要梳理客观上能表征业务场景全部信息的数据，集成到一个环境中，这个环境里面还需要开发对数据的所有操作指令，然后给llm通过提示词来说明如何在这个环境中工作，这个过程需要反复的试错，还要测试模型能力的上限和缺陷，给算法提需求。分析了这些之后，考虑作为一个校招生，想要进入一家公司做这样的工作，需要“卷”什么呢？可以看出业务侧垂类算法的核心已经不触碰底层模型架构了，更多依赖数据驱动，以及高效的后训练，和推理优化，所以这里要卷什么，没必要再赘述，agent时代之前算法也是做这些，无非是面向的场景数据变了。对于应用岗，初学AI很容易被一些看似“先进”的概念吸引，以为找AI工作就是去记什么是react，什么是mcp，什么是skill，什么是上下文管理，但通过上面的分析我们知道，这些只是“实现信息集成、实现数据操作”的具体方法，现在处于行业爆发早期，很有可能不久就被更好的设计迭代掉了，如果只把精力投在这上面，一方面这些东西从技术层面都是很简单的处理，没什么深度，一堆造词造概念，谁都能轻松掌握；另一方面，没有真正探索llm强大、灵活的能力，只是复现别人总结的使用方法。一定要摒弃移动互联网时代Java后端那种“找个集成所有技术栈的项目全手写一遍”的想法，之前这样有用，是传统互联网开发的模式导致的，只要成为一个好用的螺丝钉就行了，在哪都是写那套东西，用那套技术栈。但AI时代不一样，尤其现在是早期，AI带来的技术栈增量非常小，因此除了传统开发方向的技术栈之外，应该卷的是基于AI灵活的能力，找到新的应用场景、交互模式，并针对场景设计开发应用AI的方法，这里完全可以天马行空，不会有什么这里要用redis这里要用mysql这里要用mq的技术包袱，大胆去尝试，做出不一样的东西，有想法才是AI时代的破局之道。

学历重要，技术重要，实习也重要，但真正拉开差距的，是你能不能把AI变成价值。第一卷真项目。别只会调API，最好能从数据处理到部署全流程跑通，哪怕是小项目，也要有完整闭环。第二卷场景理解。AI不缺写模型的人，缺懂业务的人。金融、医疗、电商任选一个垂直方向深挖，比泛泛而谈更有杀伤力。第三卷表达能力。面试讲清楚你解决了什么问题，效果提升多少，比堆技术名词更重要。

作为一个测试方向的过来人，说说我的看法：别一上来就卷大模型训练，那个门槛太高了，普通本科搞不过那些硕博。但是AI应用层面的东西真的很好上手：学会用AI工具 — 这是最低门槛也是最实用的。面试的时候能说出你怎么用AI提升工作效率，面试官眼睛会亮的了解prompt engineering — 听着高大上其实就是怎么跟AI说话，这个花一周就能入门做一个AI相关的项目 — 不用多复杂，用API调个大模型做个小应用就行，写在简历上就是加分项关注AI测试/AI安全方向 — 这是新兴方向，竞争没那么卷，但是需求在快速增长说白了就是：不要去卷AI本身，而是卷AI+你的专业方向。这才是大多数人的最优解

身边的同学都削尖脑袋往大厂钻，一个个都在卷AI实习，我也有点坐不住了。现在这行情，简历上没点大厂经历，秋招估计连面试机会都捞不着，硬着头皮拼命投简历吧。

2026年找AI工作，我觉得最不该卷的是证书，最该卷的是"真实落地能力"。现在市面上AI相关证书泛滥，考一张Coursera结课证书几乎没有任何门槛，HR早就审美疲劳了。真正让人眼前一亮的，是你能拿出一个实际跑通的项目——哪怕规模不大，但从数据清洗、模型选型、调参优化到最终部署，每个环节你都亲手做过、踩过坑、解决过问题。具体怎么卷？我的建议是：选一个垂直场景，比如医疗文本分类、电商评论情感分析、代码自动补全，从头到尾做一个完整的小项目，把过程写成技术博客发布出来，代码开源放到GitHub上保持更新。这比简历上写一百个关键词有效得多。AI行业变化太快，公司真正需要的不是"学过AI"的人，而是"能用AI解决具体问题"的人。这两者之间的差距，就是你该卷的地方。

现在AI岗门槛也太高了，稍微好点的公司上来就问硕士博士，本科生简历直接刷掉。我就在想要不要也考研算了，不然根本卷不过那些高学历的，连面试机会都捞不着，愁死了

最近和不少准备入行或转行AI的朋友聊天，发现一个普遍的心态：觉得有了Cursor、Copilot、ChatGPT这些神器，写代码、调模型的门槛变低了，是不是就不用那么辛苦地“卷”底层技术了？我的看法恰恰相反：正因为AI把很多通用技能的门槛拉平了，个人的核心竞争力才更需要向更深、更专业的技术领域聚焦。AI能帮你提效，但无法替你构建不可替代的护城河。那么，在AI这个赛道里，我们究竟应该“卷”什么？

面试官看项目，最怕看到"调了个API就说自己做了AI项目"。2026年了，用现成的大模型API搭个chatbot真的不算项目经历。我建议大家做项目一定要卷完整度：从问题定义→数据收集与清洗→模型选型与训练→评估优化→部署上线→效果监控，整个链条你至少要经历过一次。哪怕项目很小，比如给学校食堂做一个菜品识别系统，只要你全流程走通了，面试时能把每个环节的坑讲清楚，就比那些只会调包的人强十倍。面试官要的是解决问题的思维，不是你用了多炫的技术。

现在很多ai工作歧视学历，如果本科学校不好，很多连ai的门槛都摸不到，直接被迫成为门外汉，但是在这个几乎所有行业都拥抱ai的时代，成为门外汉会感觉很焦虑。所以必要的时候可以适当的卷一下学历，夸级别考研，说不定研究生的身份会给你带来意想不到的收获，或者多做几个含金量高的项目，润色一下简历，在春招之际能够独占鳌头！希望大家春招都能有一个好结果。

现在的大环境，基本上各行各业都在拥抱ai，但是ai时代的门槛很高，需要一块硬硬的敲门砖（学历），另外，你的发表的论文，做的项目，获得的奖项都是找AI工作的加分项，做和不做是有区别的，行动起来永远是会占据先手。

感觉还是得卷技术和项目。基础算法、模型原理要懂，不只是会调库；再做几个完整项目，从数据到效果都能讲清楚。实习也很重要，能接触真实场景，比只做课程作业更有说服力。

2026年的AI领域，早已告别调用工具包、跑通模型便能获得青睐的阶段。随着技术门槛的降低和工程体系的成熟，竞争的核心已从对知识的掌握程度，深化为对复杂现实问题的解决能力。若希望在此刻进入或进阶，你的努力方向必须更为聚焦，并构建差异化。当下，AI不再悬浮于空中，其价值必须通过扎实的落地应用来体现。无论是在医疗、金融、自动驾驶、机器人还是科学计算等领域，精通模型只是从业的起点，真正的高度在于能否深入业务流程、理解行业逻辑、界定关键问题，并最终交付可衡量的解决方案。选择一个你感兴趣的垂直领域，最好系统性地构建其知识体系——你的独特价值，正源于此。更进一步，你需要主动培养将技术转化为商业价值的能力积极...

面个算法岗真是要命，天天抱着八股文背，什么transformer原理、损失函数推导、优化器区别，背得头都大了。但不背又不行，面试就爱往深了问，一问卡壳直接凉凉。感觉自己像在准备高考，太折磨人了。

从2022年chatgpt问世开始，AI能力像水电煤一样成为基础设施。企业关心的是如何把大模型的能力封装成好用的产品。你能写界面，能调API（应用程序接口），懂用户体验，在团队里就是能把模型“用起来”的关键角色。做一个复杂一点的AI应用Demo。比如做一个带知识库的文档问答工具，或者一个AI工作流画布（类似扣子（coze）那种低代码界面）。在简历里强调你如何优化AI响应的加载速度和展示效果。然后把前端+AI学习心得、项目踩坑记录发到技术社区（知乎、掘金、Medium）。一张漂亮的GitHub（代码仓库）主页和一个有持续输出的技术博客，有时比单纯的高学历更有说服力，尤其是对于应用型岗位。

深挖深度学习框架与模型原理，吃透算法实现细节，强化工程落地与代码能力，再懂点业务场景。