字节跳动 / 腾讯 / 阿里 AI 岗位调研报告。语言对比中，我主要关注了 Go。所以，报告中，会重点提示跟 Go 相关的部分。
另外，基于报告我也梳理出来 AI 时代的岗位选择、能力要求及学习路线。欢迎关注 onex.feizaonet.com， 我会在该平台连载分享。
一句话结论
AI 岗位已经不是"算法岗"的代名词。 2,383 个 AI 相关岗位里，真正做大模型训练/算法的只有 424 个（18%），
而 Agent 应用工程（658）、AI Infra（422）、AI 平台与研发效能（251） 合计占 56%------
这三类正是 Go 后端工程师最有机会的入口。
| 指标 | 数值 |
|---|---|
| 抓取 JD 总数 | 2,950（字节 2,661 / 腾讯 289） |
| 判定为 AI 相关 | 2,383（字节 2,148 / 腾讯 235） |
| 细分方向 | 12 类（见下表） |
| JD 中提到 Go | 543（占 AI 岗 22.8%） |
| JD 中提到 Python | 1,269（53.3%） |
| JD 中提到 C++ | 1,302（54.6%） |
| 要求"会用 AI 编程工具" | 352 |
| 提到开源项目 / 论文 | 429 / 540 |
岗位分布一览
| 大类 | 细分方向 | 岗位数 | 占 AI 岗 | 一句话定位 |
|---|---|---|---|---|
| Agent 与应用工程 | AI Agent 与应用工程 | 658 | 27.6% | 把模型能力做成可用产品：Agent 框架、工具调用、记忆、RAG、业务后端 |
| AI Infra 与算力 | AI Infra（训练/推理系统） | 422 | 17.7% | 让模型跑得快、跑得稳：推理引擎、调度、存储、网络、GPU 集群 |
| AI 芯片与算力硬件 | 144 | 6.0% | 自研芯片、服务器、数据中心 | |
| 具身智能与机器人 | 32 | 1.3% | 模型进入物理世界 | |
| 模型算法 | 大模型算法与训练 | 136 | 5.7% | 预训练、后训练（SFT/RLHF）、对齐 |
| 多模态/视觉/语音算法 | 165 | 6.9% | 图像、视频、语音、3D 的生成与理解 | |
| 推荐/搜索/广告/NLP 算法 | 123 | 5.2% | 传统算法体系 + LLM 改造（生成式推荐、搜索 Planner） | |
| AI 平台与工程效能 | AI 平台 / 研发效能 / Dev AI | 251 | 10.5% | 训练平台、模型服务、AI Coding、企业级 Agent 平台 |
| 数据工程 | AI 数据工程 | 140 | 5.9% | 数据标注、合成数据、数据管线、数据飞轮 |
| 安全与风控 | AI 安全与风控 | 128 | 5.4% | 模型安全、内容安全、Agent 权限、红队 |
| 产品/解决方案 | AI 产品/解决方案/交付 | 103 | 4.3% | 产品经理、FDE、解决方案架构师、交付 |
| 评测与质量 | 模型评测与质量 | 81 | 3.4% | Benchmark、Agent 效果评测、AI 测试提效 |
结构差异比绝对数量更有信息量：腾讯把 29% 的 AI 岗位押在大模型 Infra（字节 17%），安全与芯片岗位近乎为零；
字节则在 Agent 应用（28%）、平台、芯片、安全四条线上同时铺开。
技能要求：各类岗位到底要什么
读法（三个反直觉的点）：
- C++ 比 Python 更"普遍"（54.6% vs 53.3%），因为它覆盖了 Infra、芯片、算法三大块；Python 则是所有方向的公共底座。
- Agent 概念渗透 25%~76% 的岗位 （Agent 类 76%、平台 74%、安全 72%、数据/评测 55%、Infra 25%）--连安全、评测、数据岗位都在要求"懂 Agent、会用 Agent 工作流"。这不是"人人写 Agent"，而是 Agent 成了基础设施词汇：不会它，连测试岗都显得脱节。
- Go 的出现高度集中：应用工程 31%、平台 38%、安全 35%、评测 32%、Infra 23%，而算法类只有 4%~11%。
Go 在 AI 时代的定位非常清晰------控制面语言、服务面语言，不是计算面语言。
城市与门槛
北京 1,110（涉及 47% 的 AI 岗位）、上海 661、深圳 508、杭州 436------岗位高度集中在四城（一个岗位常横跨多城，故合计大于总数）；海外站点（圣何塞 72、新加坡 50、西雅图 39）是第二条路径。
AI 岗不是"资深专家专属"：腾讯 222 条标注了经验要求的 AI 岗位中，要求 1--3 年经验的合计 169 条（76%）。
标题带"专家/负责人/Leader/架构师"的共 505 条（占 AI 岗 21%）------头部岗位确实要资历，但底座岗位大量向 3 年以内的工程师开放。
五条核心判断
- 需求重心已经从"训模型"转移到"用模型"。Agent + Infra + 平台 = 1,331 个岗位，是算法岗（424）的 3.1 倍。模型能力趋于同质化后，工程化能力（接入、编排、稳定性、成本）成了差异化来源。
- Agent 工程是当前最大的增量池，也是最"工程化"的池。74% 的 Agent 岗位 JD 提到 Agent，但语言要求里 Go 与 Python各占 45%，Java 35%------它是后端工程师的平移赛道，不是算法岗的降维打击。
- Infra 是壁垒最高、也最抗年龄的一条路。它要求 C++/Go + 分布式 + K8s + 一点 CUDA 认知，天然筛掉纯业务背景的人，供给稀缺；代价是学习曲线陡、需要真实的大规模系统经验。
- "会写 Prompt"不是技能，"能造 Agent 运行时"才是。JD 里真正值钱的是：工具调用协议（MCP）、上下文工程、记忆系统、沙箱隔离、评测闭环、成本与延迟优化------全是系统工程问题。
- AI 正在重塑招聘标准本身：352 个岗位明确要求"熟练使用 AI 编程工具，并能判断其能力边界"。
不会用 AI 写代码的工程师，正在变成"不会用 IDE 的工程师"。
给 Go 工程师的结论（详见 02 篇）
| 赛道 | Go 岗位数（估） | 与现有能力的距离 | 建议 |
|---|---|---|---|
| Agent 应用 / AI 后端 | ~204 | 最近：复用 80% 后端能力 | 首选，3 个月可投 |
| AI 平台 / Dev AI | ~95 | 近：加 K8s + 模型服务经验 | 次选，3--6 个月 |
| AI Infra 控制面（调度/网关/存储） | ~108 | 中：要补分布式存储/调度/推理认知 | 6--12 个月，回报最高 |
| AI 安全与治理 | ~45 | 中：要补安全与权限模型 | 差异化路线 |
| 算法 / CUDA / 芯片 | ~33 | 远：不建议半年内转 | 放弃或长期副线 |
数字口径：543 个提到 Go 的 AI 岗位按大类拆分；"~"表示规则分类的近似值。
局限（先看清楚再引用）
- 腾讯样本只有 289 条、AI 相关 235 条，两家公司的绝对数不可直接比，报告里一律用占比。
- 检索关键词为
AI，会漏掉"只写大模型/Agent/机器学习而不含 AI 字样"的岗位，也会混入"业务里顺便提一句 AI"的岗位（已剔除 567 条弱相关）。 - 分类为规则匹配，人工抽检 80 条约 84% 一致；边界岗位（如"大模型算法工程师（AI 应用）"）本身就有歧义。
- 数据集不含薪资字段，本报告不做薪资推断。