一、AI 基础架构 / 大模型底层（偏底层算法、框架、算力）
- 大模型训练工程师：大模型预训练、微调，集群训练任务，处理多卡分布式训练、loss 异常、训练稳定性。
- 大模型推理工程师：模型部署、推理加速，KV 缓存、量化（INT4/INT8）、vLLM/TensorRT-LLM、推理服务优化，降低延迟、提升吞吐。
- AI 框架工程师：PyTorch/TensorRT/MindSpore 等框架二次开发，算子开发、自定义 CUDA 算子，适配昇腾 / 英伟达 GPU。
- 算力 / AI 集群运维工程师：GPU 集群调度、分布式资源管理，监控训练集群，故障排查，容器 + k8s 管理 AI 任务。
- 模型压缩优化工程师：剪枝、量化、蒸馏，大模型轻量化，把大模型改小，适配端侧（手机、嵌入式设备）。
二、大模型应用层（RAG、Agent、业务落地，你当前做的方向）
- RAG 开发工程师：检索增强生成，文档解析、切片、向量化、向量库（Mongo/Chroma/Qdrant）、召回排序，知识库问答系统。
- Agent 应用工程师：智能体开发，工具调用、多步骤规划、函数调用，搭建能联网、调用 API 的智能 Agent。
- LLM 应用开发工程师：基于开源 / 商用大模型 API 做业务应用，提示词工程、prompt 管理、输出校验，搭建对话系统。
- 多模态应用工程师：图文、音视频理解，图片 OCR、文生图、语音转文字，多模态知识库。
- 评测工程师（大模型方向）：构建评测集，评估模型回答准确性、幻觉、安全，自动化评测流水线。
三、传统机器学习 / CV / NLP 细分岗（经典 AI）
- NLP 算法工程师：传统文本任务，实体抽取、文本分类、情感分析，小模型文本业务。
- CV 计算机视觉工程师：图像识别、目标检测、OCR、图像分割，安防、工业质检、图片理解。
- 时序 / 表格机器学习工程师：传统机器学习，XGBoost/LightGBM，风控、推荐、预测类业务。
四、工程化、MLOps（AI 工程流水线）
- MLOps 工程师：机器学习全生命周期管理，数据集版本、模型版本、自动训练流水线、模型上线监控，MLflow、DVC。
- AI 数据工程师：AI 数据集构建，数据清洗、数据标注管理，构建训练 / 微调数据集。
- AI 后端工程师：把模型封装 http/gRPC 接口，和业务系统对接，SpringBoot/FastAPI，做模型服务网关。
五、端侧 AI（嵌入式、移动端）
- 端侧 AI 工程师：模型部署到手机、单片机、边缘盒子，轻量化推理，手机端 CV/LLM。
六、产品 & 解决方案类（偏 AI，不是纯写代码）
- AI 解决方案工程师：给客户做 AI 落地方案，POC 验证，技术预演，对接客户需求。
- AI 产品经理：AI 产品设计，大模型应用、智能助手产品，定义功能、评估模型效果。
- AI 售前工程师：投标、方案宣讲，写技术方案，演示 AI 产品。
七、其他细分
- AI 安全工程师：大模型防越狱、数据泄露防护、提示注入攻击检测。
- AI 仿真工程师：数字世界仿真、自动驾驶仿真、机器人仿真。
- 机器人 AI 算法工程师：机器人导航、视觉抓取、机器人控制 + 大模型结合。
岗位简单区分（方便你选方向）
✅ 你现在做 RAG、向量库、Java/Python 混合开发，最对口岗位：RAG 工程师、LLM 应用开发工程师、AI 后端工程师、MLOps