算法工程师
岗位是什么
算法工程师是研究并实现模型与算法方案的角色：让模型「能力更强、跑得更快、更贴合业务」。在 LLM 时代，这个岗位从「发明算法」更多转向「用好与调好模型」，因此与产品、应用的协作比以往更紧密。
常见别名：大模型算法工程师、NLP 算法工程师、多模态算法工程师、AI 算法工程师、推理优化工程师。
按工作内容细分：
| 细分方向 | 核心工作 | 说明 |
|---|---|---|
| 预训练 | 数据清洗、模型架构、训练稳定性 | 门槛最高，多见于大厂与模型公司 |
| 微调 | 指令微调、对齐、领域适配 | 让基座模型「做得像」「懂业务」 |
| 推理优化 | 量化、蒸馏、服务部署、降本提速 | 与工程结合最紧，需求量大 |
| RAG 方向 | 检索链路、重排、召回质量调优 | 企业落地场景最多 |
| 多模态 | 图文/音视频理解与生成 | 独立成组，专业壁垒高 |
时效性说明
信息截至 2026-08，岗位名称与 JD 写法变化较快，以最新公开招聘信息为准。
典型 JD 长什么样
职责
归纳公开 JD 的常见要素，典型写法大致是：
- 负责 XX 场景的模型训练/微调/推理优化，持续提升业务指标
- 建设与维护训练/评测数据，设计与实施模型效果评测
- 跟进业界最新方法与开源模型，评估并落地到业务
- 与产品、应用工程师协作，支撑功能上线并跟踪线上效果
要求
- 统招本科及以上，计算机/数学/统计等相关专业，3 年以上算法经验
- 扎实的机器学习与深度学习基础，熟悉 Transformer 架构与主流大模型
- 熟练使用 Python 与 PyTorch 等框架，有分布式训练经验者优先
- 良好的数学功底与论文阅读能力
加分项
- 有顶会论文或知名开源项目贡献
- 有 LLM 微调/RAG/多模态的实际落地经验
- 有竞赛获奖（如各类 AI 赛事）
JD 关键词解读
- 「扎实的基础」：硬门槛，面试必考——机器学习基础、Transformer 原理、手撕代码/数学题，几乎没有捷径
- 「论文/竞赛/开源」：学术背景是筛选信号但非必需；对非科班转岗者，「完整落地项目 + 能讲清技术选型」同样有效
- 「有 XX 经验者优先」：软偏好。预训练岗偏好有训练经验的，RAG 岗偏好有检索落地经验的——先按自己最强的方向投
- 警惕点：只写「跟进前沿」不写业务场景的 JD，可能是研究型岗位（流动率高）或需求不明确；「算法工程师」但职责全是调 API 的，实际是应用岗，薪资对标要按应用岗预期
与产品经理的协作
PM 提需求时算法怎么介入
- 需求评审即介入：PM 提需求时，算法在评审阶段就给出可行性判断——「这个效果模型现在能不能做到、做到什么程度、代价多大」，而不是等排期了才发现方向不可行
- 共同定义评测指标：把「效果好」翻译成可度量的指标（准确率、召回、拒答率、幻觉率，以及延迟与成本），在动手前对齐「什么叫做完、什么叫做好」
协作界面：数据、评测集、效果验收
- PM 提供业务场景、真实用户输入与 badcase；算法负责设计评测集、指标与基线——两边缺一不可，PM 不懂评测标准会验收打架，算法不拿真实场景会自嗨
- 效果验收在开发前定标准、开发中跑评测、上线后看数据回归；验收不通过 = 不发布，而不是上线后补救
模型选型 / 换模型的决策分工
| 事项 | 产品经理 | 算法工程师 |
|---|---|---|
| 看什么 | 体验、成本预算、业务目标 | 能力边界、工程代价、迁移风险 |
| 提供什么 | 用户场景与效果要求 | 候选模型评测报告、成本与迁移评估 |
| 决策方式 | 共同拍板，用评测集数据说话 | 共同拍板，用评测集数据说话 |
- 换模型影响面大（提示词、评测基线、成本、延迟都要重来），PM 给产品侧判断（体验与成本预算），算法给技术侧评估（候选模型对比与迁移代价），双方在评测数据上对齐后再换，不要被「换最新模型」的冲动带着走
常见摩擦与解法
- 「效果不好」的归因：是数据问题、模型问题还是提示词问题？解法是先建评测集做分层归因（数据质量 → prompt → 模型能力），定位后再动手，避免 PM 说「模型不行」、算法说「需求不清」的互相推诿
- 上线后效果回退：建回归评测，模型升级、提示词改动都要跑基线；回退严重时灰度回滚，而不是带病硬扛
- 需求不清就提给算法：PM 先写清场景、边界与验收，算法才做得动；「你看着优化」是最难做的需求
能力要求与准备建议
- 打牢基础：机器学习、深度学习、Transformer 原理（大模型基础 给产品视角，算法面试还要啃原理解析）；数学（概率、线代、优化）
- 动手复现：跑通微调/推理的完整流程，读代码比读论文更重要；至少做一个 RAG 或微调类项目并写清实验记录
- 学会评测：算法岗同样要懂 评估与评测——评测集设计、指标选择、消融实验是面试高频题
- 理解业务：算法不再「只对模型负责」，能听懂产品需求、能说清「为什么不微调而用 RAG」（见 RAG 与 模型能力与边界），是升职加薪的关键差异
- 面试准备：算法题 + 八股 + 项目深挖各占三成，另留一成准备 面试题型框架 里的行为题
发展路径
- 入行：科班应届（实习 + 项目）或后端转算法（补数学与 ML 基础）；RAG/推理优化方向对转岗者相对友好
- 进阶：资深算法/方向专家——主导模型选型与调优策略，能对「效果、成本、稳定性」做全局决策
- 横向：转应用/Agent 架构（工程化方向）、转 AI 产品经理（技术型 PM）、转 AI Infra（推理部署/训练平台）
- 纵向：算法团队负责人 / 技术负责人；研究型可走向科学家岗位（门槛高、名额少）
相关阅读
- AI 产品经理：理解你的产品协作对象怎么思考
- 大模型应用工程师与 Agent 工程师：应用层与算法层的分工界面
- 数据、评测与训练类岗位：评测与数据质量是算法效果的命脉
- 大模型基础：LLM 是怎么工作的
- 评估与评测：效果怎么度量、怎么回归
- 自学产品经理：三阶段自学框架与达标标志，可作为转岗能力准备的参考
发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用