03-08 04:30 已编辑 华东师范大学 算法工程师 发布于上海
关注
AI的场景落地是可以天马行空的蓝海
#找AI工作应该卷什么？#
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。
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。
全部评论
相关推荐
查看11道真题和解析 点赞 评论 收藏
分享