外观
模块导读与岗位版图
一句话定义：本模块把「从会写模型到拿到深度学习岗位 offer」这件事，拆成一条可执行的四步流水线——先看清市场上有哪些岗位、要什么技能，再对照自己的底子找差距，然后把差距补上、把能力写进简历，最后用面试题库验证自己。
本模块共五页（含本页），前四页对应流水线的四个阶段，第五页《面试题库》贯穿「补课」与「证明」两个环节。下面先给你全局地图，再展开岗位版图与方向选择方法。
一、为什么需要一个求职模块
深度学习的知识学习（本手册的 guide、concepts、case-studies 各栏）解决的是「会不会」，而求职要解决的是一组完全不同的问题：
- 市场到底要什么？ 同样是「算法岗」，CV 工程师和大模型工程师的 JD 几乎不重叠；
- 我的底子对应哪个岗位？ 数学好但工程弱的人，和工程强但论文少的人，应该投不同的岗位；
- 简历怎么写才能过初筛？ HR 和一线工程师看简历的角度完全不同；
- 面试官到底在考什么？ 很多「面试题」看似是知识问答，实则是考察你有没有独立解决过问题。
这套问题环环相扣，先回答哪一个都会跑偏。所以本模块强调整体流水线，而不是单篇技巧。
时效说明：本页及《JD 清单》含薪资与岗位需求等时效性内容，数据截止 2026-08，引用前核对。
二、模块流水线：四步走
1. 看清市场（本页 + JD 清单）
回答三个问题：有哪些岗位大类？每类岗位的 JD 长什么样？薪资和学历门槛如何？这一步的产出物是「一个候选岗位短名单」，通常 2-3 个方向即可，不必贪多。
2. 看清自己（JD 知识点拆解）
把 JD 里的技能词抄下来，逐个给自己打「会 / 半会不会 / 不会」的标签，得到一个个人补课清单。这一步会直接告诉你：现有知识结构离目标岗位还差多远。
3. 包装自己（能力对标：简历该突出什么）
把补课清单转化为简历语言：每个项目用「背景—方案—结果—复盘」四段式重写，量化结果，突出与目标岗位匹配的技能组合。简历不是经历流水账，而是「与 JD 的证据链」。
4. 证明自己（面试题库）
用分类题库自测，把「知道答案」升级为「当场讲明白」。题库按基础概念、架构、训练、数学、工程、大模型、开放题七个维度组织，每题附答题要点与关联页面，方便按弱项定点突击。
三、岗位版图：9 类岗位一览
下表是深度学习相关岗位的粗粒度分类。注意几点：
- 薪资为国内一线城市互联网/大厂与海外科技公司的粗粒度参考，含股票等可变部分的年总包区间，波动很大，数据截止 2026-08，引用前务必核对最新数据；
- 大模型相关岗位（大模型工程师、AI Infra）自 2023 年起薪资溢价明显，但要求也更高；
- 同一公司内「算法工程师」实际负责的内容可能横跨多行，看 JD 永远比看岗位名重要。
| 岗位 | 典型职责 | 核心技能 | 薪资参考（粗粒度） |
|---|---|---|---|
| 深度学习研究员 | 发论文、做探索性实验，推动技术上限 | 数学功底、PyTorch、实验设计、读论文 | 国内 50-150 万/年；海外 Research Scientist 20-40 万美元/年 |
| 算法工程师 | 面向业务落地，承接建模到上线的全流程 | 建模、特征工程、评估、线上指标分析 | 国内 35-90 万/年 |
| CV 工程师 | 图像分类/检测/分割/OCR 等视觉任务落地 | CNN、检测分割框架、数据标注管线、部署 | 国内 30-80 万/年 |
| NLP 工程师 | 文本理解、生成、搜索、对话系统 | Transformer、分词、微调、RAG、评估 | 国内 35-85 万/年 |
| 大模型工程师 | 大模型微调、对齐、RAG、Agent 开发与评测 | LLM 微调（LoRA）、提示工程、评测、推理优化 | 国内 45-120 万/年，头部更高 |
| ML 工程师（MLE） | 把模型变成可靠的生产服务 | 工程能力、分布式训练、MLOps、监控告警 | 国内 40-100 万/年；海外 18-35 万美元/年 |
| AI Infra 工程师 | 训练/推理框架、集群调度、算子优化 | CUDA、分布式系统、性能调优 | 国内 50-130 万/年，与底层能力强相关 |
| 数据科学家 | 业务分析与建模结合，决策支持 | 统计、SQL、特征工程、因果推断 | 国内 30-70 万/年 |
| 数据/标注工程师 | 数据集构建、质量管控、数据流水线 | 数据处理工具、标注平台、质检 | 国内 20-45 万/年 |
怎么读这张表
- CV / NLP / 大模型 / ML 工程师 是正文里的「建模岗」，适合想长期做模型的人；
- AI Infra / ML 工程师 是「工程岗」，适合写代码强、对系统感兴趣的人；
- 数据科学家偏业务分析，适合统计功底好、喜欢和业务方打交道的人；
- 岗位名只是入口，JD 里的技能清单才是真实分类标准，下一节给三维判断法。
四、三维决策清单：背景、兴趣、趋势
选方向别只看薪资排行。用下面三个维度对候选岗位各打一次分（1-5），三个维度都 ≥3 才值得进短名单。
维度一：背景
- 学历与论文：博士或有一作顶会论文，往「深度学习研究员」或大厂研究岗走最有优势；硕士且论文少，工程岗（ML/AI Infra）更现实。
- 硬技能底子：CUDA/分布式、C++ 扎实的人切 AI Infra；数学统计扎实的人切数据科学家；纯 PyTorch 建模经验多的人切算法工程师。
- 过往项目类型：做过视觉项目优先 CV，做过文本/搜索项目优先 NLP，用过开源大模型做应用优先大模型工程。
诚实评估背景，能帮你避开「JD 看着诱人、简历必挂」的坑。简历写法见能力对标一节。
维度二：兴趣
问自己三个问题，答案要具体到能举例：
- 我愿意连续两周啃同一篇论文，还是愿意连续两周调一个线上服务的延迟？
- 我喜欢「跑出更好指标」的兴奋，还是「系统稳定跑一个月」的安心？
- 我遇到新任务时，第一反应是查论文还是查框架文档？
第一问选前者倾向研究/算法，选后者倾向工程/Infra。回答没有对错，但必须诚实——方向选错会在入职一年后被日常琐碎反噬。相关知识储备建议从深度学习总体架构解剖看起，判断自己对哪一层最有热情。
维度三：趋势
粗粒度判断（数据截止 2026-08，引用前核对）：
- 大模型相关：微调、RAG、Agent、评测、推理优化岗位持续增长，但供给也快速增加，门槛被抬高；
- 多模态：CV 与 NLP 边界被统一模型进一步模糊，纯单模态岗位占比下降；
- AI Infra：算力稀缺背景下，训练/推理工程岗位需求长期旺盛，且难被快速替代；
- 数据与评估：模型能力趋同后，数据质量与评测体系成为差异化关键，相关岗位价值上升。
注意趋势只用来「避免选一个正在萎缩的方向」，不要用来「追最热但完全没底子的方向」——追热点岗位但背景不匹配，投递阶段就会失败。
五、模块四页使用地图
| 页面 | 产出物 | 建议用时 | 前置条件 |
|---|---|---|---|
| 模块导读与岗位版图 | 2-3 个候选岗位 | 半天 | 通读本手册 concepts 基础 |
| JD 清单 | 每岗位的技能词清单 | 1-2 天 | 完成本页三维打分 |
| JD 知识点拆解 | 个人补课清单与补课顺序 | 半天 | JD 技能词清单 |
| 能力对标：简历该突出什么 | 重写后的简历 | 2-3 天 | 至少一个完整项目（可参考作品集项目） |
| 面试题库 | 自测记录与薄弱点清单 | 持续 1-2 周 | 补课进行中随时启动 |
一个常见误区
不要跳过第 1、2 步直接写简历。没有「技能词清单」这个锚点，简历很容易写成「我学过什么」而非「我能满足 JD 什么」。先花两天把 JD 拆完，后面简历和面试准备的效率会翻倍。
六、与全站其他栏目的衔接
求职模块不是一个孤立的知识孤岛，它把全站的「学」翻译成「卖」：
- 知识底盘：concepts 栏目的神经网络基础、优化与梯度下降、反向传播与自动微分是几乎所有岗位面试必考的底层；
- 项目弹药：practice 栏目的作品集项目、从零构建一个深度学习项目提供简历里真正值钱的项目经历；
- 论文加成：papers 栏目的经典论文精读与论文地图帮你在研究岗面试中讲出深度；
- 方向前沿：大语言模型（LLM）与多模态模型承接当前最热岗位方向。
建议在开始求职流程前，至少把 concepts 与 case-studies 栏目的核心页过一遍，否则补课清单会大到无法执行。
延伸阅读
- JD 清单：国内外大厂在招岗位——真实 JD 拆解与技能词频率统计
- JD 知识点拆解——把 JD 技能词变成个人补课清单
- 能力对标：简历该突出什么——四段式项目写法与改写实例
- 面试题库——七大类面试题与答题要点
- 作品集项目——简历里最值钱的项目从哪来
- 学习路径：三条路线——按目标岗位反推知识补齐路线