🧠 大模型职业发展与学习路径指南

🎯 大模型岗位分类与定位

三大核心开发岗位

1. 大模型应用工程师

• 核心职责：使用现成模型/工具，快速结合业务开发应用（Demo、初级产品）
• 技术特点：重应用、重工具使用、轻底层算法
• 学历要求：相对较低，本科及以上（非统招也可），更看重项目经验和动手能力
• 别名：Agent工程师、大模型工程师（需看JD描述）

2. 大模型研发工程师

• 核心职责：使用现成模型进行深度应用，包括模型微调、推理优化、构建复杂系统
• 技术特点：需要理解算法原理和实现，但不深究数学推导
• 学历要求：本科及以上，计算机相关专业优先

3. 大模型算法工程师

• 核心职责：模型预训练、算法研发与优化、发布新模型
• 技术特点：深入算法数学原理，要求极高的理论基础和创新能力
• 学历要求：极高，通常要求985/211名校硕士/博士，科班出身，有顶会论文更佳
• 招聘企业：极少（全国约10-20家），如字节、阿里、DeepSeek、智谱等

如何辨别岗位

• 不要只看职位名称，一定要**仔细阅读职位描述（JD）**和要求
• 在招聘网站搜索时，关键词用"大模型"即可，然后根据JD筛选

📚 各岗位技术栈与学习深度

通用必学基础

低代码平台工具

• 作用：快速搭建Demo、验证想法、提升个人效率
• 学习深度：了解和使用级别，所有岗位都应会

编程语言与框架

• Python：核心语言，必须熟练掌握
• Spring AI (Java)：优势在于与Java微服务生态整合，注意：目前不支持复杂的Agent/工作流开发
• LangGraph：专门开发Agent和多Agent以及工作流的主流框架
• LangChain：在下一版本中不会有任何Agent相关的API

大模型种类认知

通用大语言模型 (LLM)

• 例如：DeepSeek、GPT-4、Claude、通义千问
• 特点：通用能力强，文本生成、推理、对话

文本嵌入模型 (Embedding Model)

• 例如：BGE系列、OpenAI的text-embedding系列
• 作用：将文本转化为向量，用于构建知识库、语义搜索

多模态大模型

• 例如：GPT-4o、千问-VL、智谱GLM-4V
• 特点：能同时理解文本、图片、音频、视频

多模态嵌入模型

• 例如：千问的GME-VL、OpenCLIP
• 作用：将不同模态（图/文/音/视频）数据映射到同一向量空间，实现"Any to Any"的跨模态检索

多模态解析模型

• 例如：达摩院的DocOwl、小红书发布的dots.ocr
• 作用：解析复杂格式文件（PDF/PPT），精准提取其中的文本、表格、图片结构

垂直领域大模型

• 例如：AlphaFold（生物）、360安全大脑（安全）
• 特点：专攻某一领域，通用能力弱

分岗位学习重点与深度

大模型应用工程师

• 学习范围：应用层 + 部分工具层
• 关键能力：快速应用、工具使用、业务流程理解
• 学习深度：
  • 模型：掌握上述多种模型的调用（API/SDK）
  • 框架：掌握LangChain / LlamaIndex等应用框架的使用
  • 算法：不需要学习数学推导，知道概念和用途即可

大模型研发工程师

• 学习范围：全部（应用层+工具层+算法层）
• 耗时：约在应用工程师基础上增加100-150学时
• 学习深度：
  • 模型：掌握模型的调用、微调、私有化部署
  • 推理框架：掌握VLLM、Transformers、LMDeploy等企业级推理框架的使用和优化
  • 算法：掌握机器学习/深度学习算法的应用和调参，不需要深入数学推导
  • 高级主题：复杂Agent开发、多智能体架构、工作流、模型评估(RAGAS)

大模型算法工程师

• 学习范围：全部，且深度最深
• 学习深度：
  • 算法：必须掌握40+种常用算法的数学推导、原理和优化，能创新
  • 模型：深入研究模型架构（如Transformer）、预训练、量化、蒸馏等
• 关键能力：算法创新、模型研发、解决复杂理论问题

🏗️ 项目经验与简历撰写

项目是核心

• 面试中80%的问题会围绕项目经验展开
• 项目复杂度是关键区分点：
  • 简单项目：仅文本处理、简单向量检索、使用轻量数据库
  • 复杂项目：多模态处理、复杂Agent（含动态路由、评估）、图数据库应用、模型微调/优化、高并发高性能要求

简历撰写建议

专业技能栏

• 分点列出掌握的技术、模型、框架
• 例如："熟练掌握DeepSeek、GPT等大模型调用与微调"；"精通LangChain框架进行Agent开发"；"熟悉VLLM等推理框架的部署与优化"

项目经验栏

• 采用 "使用XXX技术，解决了XXX问题，实现了XXX效果（最好有量化指标）" 的句式
• 突出项目的复杂性和你个人的贡献
• 例如："基于千问-VL和DOS-OCR，开发了一个多模态企业知识库系统，解决了非结构化文档（PDF/PPT）的精准解析和检索难题，使查询准确率提升至95%。"

工作经验栏

• 过往的软件开发经验（Java/Python等）一定要写，这是工程能力的基础证明
• 如果是转行，可以将大模型项目经验单独作为"项目经历"模块突出展示

🚀 学习建议与就业规划

学习路径

• 应用工程师：聚焦应用层技术，2个月左右可完成学习
• 研发工程师：全面学习，约需3个月
• 算法工程师：深度攻关算法，需5-6个月甚至更长
• 核心：一定要动手写代码，跟着项目一行一行地敲

城市选择

• 岗位主要集中在：北京、上海、深圳、广州、杭州、成都、武汉、南京、重庆、长沙等城市
• 其他城市机会相对较少，建议优先选择以上城市求职

现状分析

• 应用工程师：需求量大，暂未内卷，是转行的热点
• 研发工程师：门槛稍高，需求旺盛，竞争相对缓和
• 算法工程师：极度稀缺，薪资高昂，但门槛极高

未来预判

• 应用工程师：预计在明年（2026年）中下旬开始内卷
• 研发工程师：内卷时间会稍晚一些
• 算法工程师：长期内仍将保持稀缺状态

✅ 总结

• 明确定位：根据自身基础（学历、代码能力、学习时间）选择目标岗位
• 精准学习：不要盲目贪多，按照目标岗位的技术栈深度要求去学习
• 项目为王：投入主要精力做出1-2个有复杂度的项目，这是简历和面试的硬通货
• 理性求职：认清市场现状，选择机会多的城市，合理规划预期