外观
JD 清单：国内外大厂在招岗位
一句话定义：JD（Job Description，职位描述）是市场需求的原始文本，本页挑选 8 个代表性岗位，把「职责要点 / 硬性要求 / 加分项」拆开摆在你面前，并附技能词频率统计，让你一眼看出：市场到底在反复要什么。
时效说明：本页岗位信息与薪资为 2026 年中的代表性样本，数据截止 2026-08，引用前核对。具体岗位以目标公司招聘官网当日发布为准。
先读模块导读与岗位版图了解岗位分类，再逐条对照下表。
一、拆 JD 的方法：三层阅读法
拿到任何一份 JD，按三层拆：
- 职责层（What）：入职后日常做什么——建模、落地、调优、还是研究；
- 门槛层（Must）：硬性要求——学历、年限、必会技能；投递前先自查这层；
- 区分层（Plus）：加分项——决定你在一堆候选人里能不能被捞出来。
把三层分别抄进三列，就得到一份「岗位技能词清单」，这是下一步《JD 知识点拆解》的输入。下面每个岗位都按这个格式给出。
二、国内大厂岗位拆解
岗位 1：大模型算法工程师（应用方向）
典型发布方：头部互联网公司大模型团队、AI 独角兽。
| 层次 | 内容 |
|---|---|
| 职责要点 | 大模型业务场景落地（对话、创作、Agent）；指令微调与 RLHF 对齐；RAG 检索增强与评测；线上效果分析与迭代 |
| 硬性要求 | 硕士及以上；扎实的 Transformer 与训练理论基础；熟练掌握 PyTorch 与分布式训练；有完整 LLM 项目经历 |
| 加分项 | 顶会论文；RLHF 落地经验；推理加速（vLLM/量化）；Agent 工具调用工程化经验 |
对应本站：大语言模型（LLM） + 训练配方与调参。
岗位 2：计算机视觉（CV）算法工程师
典型发布方：电商、自动驾驶、安防厂商。
| 层次 | 内容 |
|---|---|
| 职责要点 | 目标检测/分割/跟踪/OCR 模型选型与调优；数据标注流程设计；模型蒸馏与端侧部署；线上指标监控 |
| 硬性要求 | 熟悉 CNN 与检测/分割常用框架；PyTorch 熟练；有数据增强与调参实战；能独立完成从数据到评估的闭环 |
| 加分项 | 端侧推理优化经验；开源项目贡献；竞赛名次；自监督/大规模预训练经验 |
对应本站：CNN 与计算机视觉 + 数据集与工具档案。
岗位 3：NLP 算法工程师
典型发布方：搜索、推荐、客服、金融文本分析团队。
| 层次 | 内容 |
|---|---|
| 职责要点 | 文本分类/抽取/检索/生成；大模型微调与 Prompt 优化；NLP 数据管道；效果评估体系 |
| 硬性要求 | 熟练掌握 Transformer 及其变体；文本数据处理能力；PyTorch/HuggingFace 生态熟练；理解评估指标（精确率/召回/F1、NDCG） |
| 加分项 | 检索增强（RAG）经验；多语言模型经验；大规模预训练参与经历 |
对应本站：Transformer 架构 + 深度学习评估与实验。
岗位 4：推荐算法工程师
典型发布方：内容平台、电商、本地生活。
| 层次 | 内容 |
|---|---|
| 职责要点 | 召回/粗排/精排全链路建模；用户与物品表征学习；特征工程与在线学习；A/B 实验分析 |
| 硬性要求 | 熟悉 CTR 预估模型（DeepFM 等）；大规模稀疏特征处理；PyTorch 与大数据工具（Spark/Hive）；工程部署能力 |
| 加分项 | 强化学习在推荐中的应用；图神经网络召回；多目标优化经验 |
岗位 5：算法工程师（中台/通用）
典型发布方：多数大厂通用岗位，JD 较宽。
| 层次 | 内容 |
|---|---|
| 职责要点 | 承接多条业务线的建模需求；通用模型能力建设；训练/评估流程平台化 |
| 硬性要求 | 深度学习理论基础扎实；PyTorch 熟练；SQL 与大数据基础；3 年+ 相关经验 |
| 加分项 | 多模态经验；MLOps 平台建设经验；跨团队协作与项目推动能力 |
对应本站：深度学习总体架构解剖 + MLOps 与模型部署。
三、海外岗位拆解
海外 JD 命名更细，先分清三类：MLE（机器学习工程师，偏工程）、Research Scientist（研究科学家，偏论文）、Applied Scientist（应用科学家，论文与落地并重）。
岗位 6：Machine Learning Engineer（MLE）
典型发布方：各科技公司 ML Platform 团队。
| 层次 | 内容 |
|---|---|
| 职责要点 | 构建训练/推理基础设施；数据与特征管道；模型上线、监控、回滚；优化训练与推理成本 |
| 硬性要求 | 扎实的软件工程（Python/C++）；分布式系统经验；熟悉训练框架（PyTorch）；CI/CD 与容器化 |
| 加分项 | 熟悉云平台（AWS/GCP）；GPU 集群调度；MLOps 工具链（Kubeflow/W&B） |
对应本站：MLOps 与模型部署 + 框架与工具怎么选。
岗位 7：Research Scientist（深度学习方向）
典型发布方：FAANG 与 AI 实验室研究部门。
| 层次 | 内容 |
|---|---|
| 职责要点 | 探索前沿问题并发表论文；构建大规模实验与基准；与工程团队协作落地 |
| 硬性要求 | 博士优先；顶会论文记录；极强的数学与实验设计能力；能独立选题 |
| 加分项 | 开源影响力；跨领域（RL/多模态/科学计算）；代码库维护经验 |
对应本站：从这里开始（papers） + 经典论文精读。
岗位 8：Applied Scientist（应用科学家）
典型发布方：电商、云服务提供商的 AI 产品团队。
| 层次 | 内容 |
|---|---|
| 职责要点 | 把最新方法落地为产品能力；大模型应用（生成、摘要、检索）；设计评估体系与数据策略 |
| 硬性要求 | 硕士/博士；扎实 ML 基础与编程；研究到落地的完整经验；良好的沟通与产品sense |
| 加分项 | 大模型微调与评估经验；多模态/语音等垂直领域经验；论文加工程双重背景 |
对应本站：大语言模型（LLM） + 评估实践。
四、JD 技能词频率统计表
对上述 8 个岗位的 JD 文本做粗粒度词频统计（数据截止 2026-08，引用前核对），高频词如下——它代表「市场反复在要的东西」：
| 技能词 | 出现频次（共 8 份 JD） | 归类 |
|---|---|---|
| PyTorch | 8 | 框架 |
| Transformer / 注意力 | 7 | 架构 |
| 分布式训练 | 6 | 工程 |
| 微调 / 对齐 | 6 | 大模型 |
| 多模态 | 5 | 方向 |
| 数据增强 / 数据处理 | 5 | 数据 |
| 评估指标 / 实验 | 5 | 评估 |
| 推理优化 / 部署 | 4 | 工程 |
| RAG | 4 | 大模型 |
| 强化学习 | 3 | 方向 |
| 图神经网络 | 2 | 方向 |
| CUDA | 2 | 底层 |
结论：无论哪个细分方向，「PyTorch + Transformer + 分布式 + 评估」都是共同底座。把精力先压在这四个词上，收益最大。技能词到知识点的映射见 JD 知识点拆解页。
五、薪资与学历门槛提示
粗粒度参考，数据截止 2026-08，引用前核对：
| 岗位类型 | 国内薪资（年总包，万元） | 海外薪资（年总包，万美元） | 学历门槛 |
|---|---|---|---|
| 深度学习研究员 | 50-150 | 20-40 | 博士为主，硕士+强论文可谈 |
| 大模型工程师 | 45-120 | 18-35 | 硕士为主，博士加分 |
| 算法工程师（通用） | 35-90 | 15-30 | 硕士为主 |
| CV / NLP 工程师 | 30-85 | 15-28 | 硕士为主，本科+丰富经验可谈 |
| ML 工程师 | 40-100 | 18-35 | 本科/硕士均可，重工程 |
| AI Infra 工程师 | 50-130 | 20-40 | 本科/硕士均可，重系统能力 |
三点提醒
- 薪资区间是粗粒度参考，同岗位方差极大，股票、绩效、团队差异远大于平均水平差异；
- 学历是「筛选器」而非「天花板」：研究岗卡博士，但工程岗（ML/AI Infra）更多看代码与系统经验，本科照样拿高薪；
- JD 上的「3 年经验」常可被「高质量项目 + 顶会论文」部分替代，别被字面门槛劝退，见能力对标：简历该突出什么。
六、如何用这份清单找工作
- 从岗位版图页选出 2-3 个方向；
- 在目标公司官网搜索该方向在招岗位，下载 5-10 份真实 JD，用三层阅读法拆出技能词；
- 与上面 8 个岗位的拆解对照，找共性技能（PyTorch/Transformer/分布式/评估）优先补；
- 把拆解结果输入 JD 知识点拆解页，生成补课顺序。
延伸阅读
- 模块导读与岗位版图——岗位大类与三维决策清单
- JD 知识点拆解——技能词→知识点→补课清单
- 能力对标：简历该突出什么——把 JD 要求写进简历
- 面试题库——按 JD 高频词准备面试
- 学习路径：三条路线——缺的知识怎么系统补
- MLOps 与模型部署——工程岗核心知识面