大模型相关岗位分不清？算法/Agent/开发/Infra一文吃透（小白&程序员入门必看）

瓦罗兰特顶级C位

100人浏览 · 2026-03-16 10:09:29

瓦罗兰特顶级C位 · 2026-03-16 10:09:29 发布

大模型算法、大模型应用、基座算法、agent研发、Agent开发，这些岗位你真的能分清吗？

看到这些高频名词，是不是瞬间感觉脑袋发懵、无从下手？其实这真不能怪你，毕竟就在两三年前，咱们的师兄师姐找工作时，核心选择还只有两个：Java或者C++。

尤其是刚接触大模型领域的小白、转行程序员，或是在校想提前规划方向的同学，几乎都会有这样的困惑：我到底适合哪个大模型岗位？该从哪个方向着手准备，才能快速入行、少走弯路？

今天就帮大家把复杂的大模型相关岗位，梳理成5大类，每类都讲得通俗易懂，小白也能轻松看懂，程序员也能精准匹配自身方向，建议收藏备用，后续找方向、投简历直接对照！这5大类分别是：算法、开发、infra、评估、数据，逐一拆解，干货拉满～

岗位划分

大模型算法工程师

我们先来介绍算法岗。

算法岗可以分为两大类：基座模型岗和应用算法岗。

基座模型岗

基座模型岗，有的也叫预训练算法岗，可以分为三类：理论派、工程派、能力派：

1.理论派：主攻 Attention、MoE 这些核心基础架构，目标是突破理论天花板。
2.工程派：做预训练、中期训练、后期调优全流程，验证模型的规模效应。特点是极其吃算力、数据等资源，可能千卡、万卡集群都很常见，有明确的技术交付指标，主打通用基础能力的搭建。
3.能力派：也是当下的热门方向，就是让模型具备自主行动能力，目标是 “模型即产品”、最终落地产生价值。现阶段的核心还是搭建 Agent 相关基础能力，比如工具调用、计算机操作，和前两类比，这类工作的反馈更快，要做大量后期调优和强化学习，还需要让模型和真实环境深度交互。

这里多说几句，很多同学对agent相关工作有误解，认为调个 API 套个壳，就是agent的全部工作了，就觉得这个工作跟算法好像没什么关系，但其实不是这样的。

通过数据微调，让模型原生具备更强的 Tool Call 能力、解决复杂场景的规划问题，这也是agent相关的工作。比如最近很火的 GUI Agent，其中美团做了一个 EvoCUA 的工作，团队中的成员也有发过工作总结，大家也可以去看一下：

一般来说，基座模型岗是要求有对口论文的。

但有同学会说，居老师你说的不对，我没有论文我现在也在某某基座模型实习。

是这样的，一方面呢，基座算法其中有80%的工作是数据工作，另一方面，除了通义千问、字节 Seed、智谱 GLM 这些大家熟悉的基座模型，像商汤、讯飞、百川这些公司也有自己的基座模型研发团队。不过这里有个问题啊：现在基座模型领域正处于百模混战的阶段，行业发展规律其实和早年团购行业的百团大战很像 —— 初期大批玩家扎堆入局，后期经过市场、资源的层层筛选，最终只有少数头部玩家能站稳脚跟，持续提供大模型的底层基建服务，其余玩家会逐步被淘汰。

大家可以想想，最终能在基座模型这条赛道活下来的，会是哪几家？

应用算法岗

还有一类是大模型应用算法岗，也是大部分同学最终会入职的岗位 —— 不光是计算机科班，很多非科班、和计算机沾边的跨专业同学，或是没有论文成果的同学，都能适配入行。

这类岗位核心聚焦行业场景落地，比如金融、医疗、智能客服、营销等领域，核心业务目标就是让大模型产品落地后真正能用、好用。至于具体是调用 API、搭建 Workflow、做 Agent 应用，还是针对场景做轻量化模型训练，这些都只是实现落地目标的手段而已。当然部分业务部门的应用算法岗，也会根据需求做相关研究工作，部分岗位还会有论文产出的要求。这类岗位更看重对口的项目经验和工程能力，尤其是 Agent 方向，变化特别明显：以往算法岗基本只需要提供模型或算法逻辑接口，而现在随着行业业态的成熟，调度算法的业务逻辑逐渐由算法岗主导，算法岗尤其是 Agent 方向，后续对工程能力的要求大概率会持续提升。

当然算法岗对学历会有一定要求。

我今天把基座模型岗的内容讲得比较细致，而应用算法岗的范畴更广、细分方向也五花八门，没法穷尽。大家之后再看到大模型算法岗的招聘，只要排除掉基座模型岗的范畴，剩下的基本就都是应用算法岗了。

大模型开发/Agent工程师：

这个是界限最不明确的一类岗位了，这个岗位从诞生至今可能都没有超过三年，很多同学不太能区分它和大模型应用算法岗的区别。而且大模型算法岗其实就是以前的 NLP 算法岗，现在各家公司的大模型部门、业务线又都是刚成立没多久，所以岗位划分没有那么明确。
这里面开发岗也分两种，用 java 或者 go 的，跟算法岗的区别特别明显；但用 python 的就容易混，比如有些大厂会让开发部门，自己做类似 langchain、langgraph 的框架供内部用，这类工作就和算法岗有点交集。这里有一个判断方法，比如云端部署、断点续传、缓存、模型api接口维护这些肯定是开发的工作，强化学习、思维链压缩、知识蒸馏这些涉及模型效果优化的肯定是算法的工作，但是像文档解析、agent搭建、tools编写、sft、向量入库这些就不是很清晰了，有的公司是算法在做，有的公司是开发在做。

AI Infra 工程师

负责分布式训练、推理加速等底层支撑，是模型高效运行的基础，难度比较大，大多数做这个方向的同学在校期间导师的研究方向就是这个，有一定积累才会去做，真感兴趣的话就从看vllm或者sglang的源码开始吧。

大模型数据工程师：

主要工作是是做数据的采集、清洗与 Pipeline 搭建，目标是构建高质量数据。

大模型评估 / Agent 评估工程师

负责产品的性能、效果、安全性等维度的评测体系构建，是模型、agent迭代优化的关键环节。不是很推荐，学历不太好的同学可以做，更容易进大厂。

趋势判断

岗位介绍就讲完了，前段时间有个新闻，不知道大家有没有看到，就是前阿里 P10 毕玄（他现在正在创业）的一条钉钉消息：

无独有偶，美团履约团队也推行全栈化，把部分前端同学转到了后端组，前后端代码一起写。

所以经常有同学问我，我不知道我应该投哪个岗位，我的意见都是，不用管岗位是什么名字，jd描述中你懂的东西超过三分之一就可以投。我也见到过很多同学，可能一开始准备的是算法，结果最后去做了产品。

尤其是大一大二的同学，等你就业的时候，这种打破技术栈边界的岗位划分说不定已经成了行业普遍现象，而大多数人只需要通过自然语言就可以独立开发可盈利、高可用的工具和产品。

这可能意味着，在未来，每个人都能找到自己独特的生态位，不再被单一技术栈定义，不再是流水线上的一个环节。

而信息差的不断抹平，更是让超级个体和一人公司成为可能。比如前段时间火过的红墨、蕉幻、微舆这些产品，从想法萌生到产品落地，再到市场推广，整个链路的时间被不断压缩，一个人就能完成过去一个团队的工作 —— 当销售渠道、推广费用、后期维护这些环节，都能通过工具和平台高效解决，个体的创造力，会成为这个新时代最核心的竞争力。

当然，我们也得承认人性的差异：有人偏爱创新与探索，有人更倾向于稳定和按部就班，所以基础岗位依然会存在。