昨天和一个同学语音了半小时，聊到了一个很多同学都好奇的问题：今年 AI 招聘到底看什么？
顺着这个话题，今天和大家展开聊聊我的看法。
我发现一个很现实的趋势：
曾经大家拼模型原理，但现在已经变成了拼系统落地能力、数据处理能力和工程理解能力。
很多同学仍把希望寄托在“学预训练”“研究 Transformer 细节”“背算法面试题”上，但现实是工业界需要的不是能讲原理的学生，而是能把模型跑进业务、让系统稳定、能解决数据脏的问题的人。
今天这篇文章不讲教科书内容，不讲抽象的未来，我们来看现实：需要什么人、什么能力、为什么大多数人的准备方向完全错了。
全文分五部分：
一、为什么预训练不再是普通人的机会
二、今年最值得下注的方向：文档智能
三、最容易拿到论文与 Offer 的方向：Agent + 强化学习
四、LLM4Rec 阶段性的提醒
五、最适合普通人逆袭的方向：Agent 工程能力
一、先讲一个扎心的现实：预训练不是你的战场
很多同学对预训练有执念。
有人说自己想做一个 GPT、或者从零训练一个模型、甚至有人写在简历上“参与模型预训练”
但如果面试官问：训练规模是多少、数据集是什么、训练了多少参数、做了哪些损失函数改进 、为什么要这么设计。。。
你回答不了，那就是扣分项。
现实是什么？
现在真正还有能力搞大规模预训练的团队只剩少数几家。
模型越来越大、成本越来越高，这件事已经从科研竞争变成资金池竞争。能进入这种团队的人，本身就在塔尖，不需要通过文章来学习进入路径。
大多数在校生和转行者就算写了“预训练”，也只是弱化简历可信度。
与其执着预训练，不如把时间放到真正能打出来的方向上。
二、2025 最值得下场的方向：文档智能
每家公司都在构建 RAG 系统，但几乎所有公司都遇到一个共同问题：
模型聪明，但输入给模型的内容太脏。
一个现实的例子：
合同里“付款周期计算方式的补充说明”，原本是 pdf 附表里的表格形式，逻辑结构如下：
- 日期范围
- 计算方法
- 适用对象
但 OCR 解析后变成：支付周期所有日子均按合同处理，失去了结构与语义。
模型根本无法理解这个表格的含义，即便 embedding 算得再准，检索再准确，模型也看不懂。
于是有人说：RAG 有问题。
但事实是问题不在模型，而在数据。
因此今年最值得深入的是：
- 文档解析
- OCR 结构化处理
- PDF 语义重构
- 表格识别
- 公式处理
- 图表对齐
- 内容结构定位
举个例子：
如果你能做出一个 pipeline：
输入：发票 PDF 乱排版
输出：结构化表格 + 行内计算逻辑 + 校验
那价值比所谓“我训练过模型”高太多。
工业界现在缺的不是会调 embedding 的人，缺的是能把脏文本变成结构化、可检索、可理解知识的人。
这一点在正式招聘中极其吃香。
三、今年最容易写论文、拿 Offer 的方向：Agent + 强化学习
很多人以为 Agent 是炒概念，其实它是大方向。
工业界规模化落地还在路上，但对求职者极为友好。
原因很简单：资源需求低，你完全可以自己做出一个高水平 Demo，而 Demo 的竞争点不在模型，而在模型优化。
一个简单套路就能讲明白：先做 SFT，让模型具备任务能力，发现输出不稳定或逻辑缺陷，引入 DPO、PPO、GRPO 等强化学习优化，观察能力提升。
更进一步，如果能改进 RL 方法或 reward shaping，那简历亮点直接拉满。
有同学在做：
- 多轮推理问题
- 反思重试机制
- 工具规划能力
- 结构化输出对齐
这些都可以通过 RL 改进。
今年训练营里面有几个学生就是这样拿 Offer 和论文的：他们没预训练模型，也没什么算力，做的就是 Agent + RL 思路优化，最后解决了真实任务问题
这说明一个事实，不只是会用模型，而是懂得如何让模型自我进化的人才是企业要的人。
四、LLM4Rec（大模型 + 推荐系统）的提醒
这是今年各大团队都在研究的方向：
- 推荐系统 + 大模型建模兴趣
- 用户画像 + 生成式互动
- 长序列建模
- 智能推荐对话流
但我必须提醒一句：学校环境难以模拟真实推荐系统条件。
工业界的挑战在于：
- 百万级 QPS
- 低于 50ms 的延迟目标
- 百万条特征
- 用户行为噪声
- 模型效果与算力成本平衡
- 工程量远高于算法创新
学校里的实验大多无法复现工业级难点。
所以除非是：能进大厂做实习或参与业务数据系统，否则不要把大量时间砸在这上面。
这个方向对研究极好，对求职门槛高。
五、今年最适合普通人逆袭的方向：Agent 工程能力
很多同学听到“Agent 开发”，觉得工程味过重，不如模型高端。
但现实完全相反：
今年几个头部公司在 Agent 的岗位薪资与算法岗几乎一致。
为什么？
因为模型越来越强，但系统稳定性越来越成为短板：
模型 capability ≠ system reliability
大家以为 Agent 开发是简单调用接口，其实工程挑战一点不小：
- 工具规划
- 错误恢复
- 反事实思考
- JSON schema 校验
- 状态记忆
- 变量注入
- 动态函数路由
- 多 Agent 协作
举个例子：
用户说：
帮我订个票，顺便查天气
正确流程应该是：
- 解析意图
- 规划步骤
- 查天气 → 候选航班 → 预订 → 校验 → 回复
而不是直接输出一句话。
这里涉及：
- 上下文注入
- 工具路由
- 反思机制重试
- Observation 持续调节
如果你能构建一个:
- 具备规划能力
- 能纠错
- 能记录变量
- 能多 Agent 协作
- 能做结果校验
的系统，那就是简历里非常强真实力证明。
而最关键的是：
你完全可以在本地做出来，不需要资源，不需要大算力：
本地部署模型、function calling、中间件调度、上下文策略、mcq 执行框架都能自学实现。
这一点让 Agent 工程成为最适合普通人突破的方向。
六、给到一套路可落地的准备路线
这里给三条典型路径，他们在招聘里效果非常好。
第一条：文档智能项目
示例：
- 解析企业合同 PDF
- 还原章节结构
- 提取金额、方体、日期
- 解析表格内容
- 做校验和字段推理
如果做得好，简历含金量极高。
第二条：Agent + RL Demo
示例：
- 做一个多轮流程 agent
- 设计 reward 让 agent 学会纠错
- 观察模型逻辑性提升
这块非常容易写成论文或公众号文章。
第三条：Agent 系统工程项目
包括：
- 规划机制
- 反思修正
- 函数调度
- 动态路由
- 结果校验
- 多 agent 组合
这个方向最符合企业现在缺人方向。
t七、最后一句话
过去 AI 面试是看谁懂理论，但现在已经变成了：谁能把模型驾驭起来，让系统稳定工作。
今年真正有价值的能力是：能把脏数据变干净，能让 agent 自我进化，能把模型装进系统。
这三件事比卷预训练、卷论文、卷模型细节要重要得多。
愿大家在今年都能少走弯路，找到真正属于自己的成长路线。
如果你有自己正在做的方向、项目或困惑，欢迎继续聊。
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。
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。
)
)
