TOPIC 02

AI研发职业：从数据、模型到应用交付

AI研发不是一个岗位。数据、训练、评测、推理、RAG、Agent、部署和产品各自拥有不同输入、输出与质量责任。专题用BUILD、EVALUATE、SHIP三段结构，帮助读者根据想交付的成果选择学习路线。

METHOD

专题方法

阅读顺序建议从问题定义开始，再进入任务拆解、技术环节、验证方法和职业证据。不同企业的岗位名称与职责会变化，本专题不发布未经核查的实时职位、薪资或招聘数量。

专题检查线问题 → 任务 → AI能力 → 人工判断 → 验证 → 作品证据

READING PATH

AI Engineer通常把模型能力接入可运行系统，关注数据、接口、评测、可靠性和产品约束。本文围绕应用集成、评测、接口、可靠性拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

ML Engineer更关注机器学习系统、训练数据、特征、模型生命周期与线上性能。本文围绕机器学习、训练、部署、监控拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

研究工程师把研究想法转成可复现实验、工具和高质量实现。本文围绕论文复现、实验、工程实现、研究协作拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

推理工程关注延迟、吞吐、显存、成本、并发和数值质量之间的取舍。本文围绕延迟、吞吐、显存、成本拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

应用工程师把模型、知识、工具和业务流程组织成可观测、可回退的产品。本文围绕API、工作流、可观测、回退拆解实际任务、检查方法和可以用于作品集的证据，避免把职业名称或热门工具当成能力本身。

ACTION