本文调研了字节、腾讯、阿里等大厂AI相关岗位，发现AI岗位已不再是“算法岗”的代名词。真正做模型训练/算法的仅占18%，而Agent应用工程、AI Infra、AI平台与研发效能等岗位合计占56%，这些正是Go后端工程师的机遇所在。调研显示，Go在AI岗位中占比22.8%，仅次于Python和C++，尤其在Agent应用、AI平台、安全等领域需求集中。AI岗位高度集中在北京、上海、深圳、杭州等城市，且大量岗位对经验要求不高，适合1-3年经验的工程师。需求重心已从“训模型”转向“用模型”，工程化能力成为差异化来源。Agent工程是当前最大的增量池，Infra是壁垒最高、最抗年龄的赛道。AI正在重塑招聘标准，要求熟练使用AI编程工具。Go后端工程师在Agent应用/AI后端、AI平台/Dev AI等方向具有明显优势，建议优先转型。

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。

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）：

1. 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。

2. 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。

3. 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

1. 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。

2. 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。

3. 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。

4. "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。

5. 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。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。