最近我被下面一个同学搞麻了…原因是大概一周前给他布置了个工作临了的时候看到他给了我一个万字长文似乎很认真啊但不要高兴得太早因为读起来的质量是又高又低经常出现金句但整体逻辑性太低而且车轱辘话很多拿去 AI 查重果然啊好家伙该不会是我给了他一周的时间他一小时就用 AI 干出来想来交差了吧于是我拿着文章中的内容请教他结果是各种磕磕巴巴完全不成体系啊看来这个星期确实真的是浪费了…现在 AI 滥用是很正常的现象但我却有所触动于是非常好奇的问了小伙伴一个问题你在使用 AI 工具的时候感觉它是在帮你还是在替你呢为什么会有这个问题因为他背后是 AI 时代我们所具备最核心的能力评价判断的能力。AI 是陪练还是代练对于有一定阅历的人来说AI 是一个好帮手因为他们是真的需要去与人对话。因为真实情况下***除非付费***否则是不会有那么多厉害的人有那么多闲工夫还有兴趣讨论你的事情于是乎对于高手来说AI 成了最好的陪练工具。但要注意他们事实上也不需要 AI 给正确答案因为这批人自负且固执他们只是需要 AI 给出反馈他们会从这些反馈中找到一些可以激发自身灵感的点。其次在搜集资料方面AI 会节省他们大量查阅或者验证的时间如果没有 AI验证资料质量的时间会吃掉他们创作时间的 2/3所以这里结论是AI 并不能提升高手们的上限但确实能提升他们的效率。那么对于一般人员比如我下面这个同学来说呢情况就变了外挂 兴奋剂对于一般玩家来说AI 是个取巧的工具AI 能轻易产出自己能力值上限的作品偶尔调教得宜AI 能产出突破上限的作品甚至达到高手领域对他们来说AI表面上是工具实际却可能成为一场能力透支的陷阱。这种轻易得到的提升往往代价高昂而且这种代价不易察觉最终可能导致他们在竞争中逐渐被淘汰除非他们刻意的提升自我。AI 让效率成为标配却让能力成为稀缺这东西又不是谁家的老婆谁用都是用其结果是所有中级玩家都背上了外挂。如文案、数据分析、简单问题解答原本依靠这些技能区分彼此的玩家如今可能站在同一起跑线了。但最终的赢家将是那些真正练过、被坑过的人而不是看似效率更高的人。因为轻易得到的不属于自己而 AI 会让这种现象更加普遍。AI 可以瞬间解决很多中级选手的难题但这种解决并未内化为他们的知识体系一旦脱离 AI他们会发现自己面对复杂问题时仍然力不从心就算是依赖 AI他们也未必能真的具备应变能力因为很多事情差之毫厘谬以千里AI 让中级选手觉得自己变强了但这是包装的结果并且大家都可以包装包装的后果是忽视锤炼与内省缺乏稳健的个人知识体系这只会让他们与高手的差距进一步加大。并且在AI时代成为高手的标准会被大幅提升不再是高效率的执行而是体系化思维下的洞察力与创造力。也就是说如果大家不主动放下 AI 外挂去被坑几次、去好好打磨自己的基本功是很难跨域门槛的所以厚积薄发的时代没有结束相反他的标准更严苛了。那些能够抵住诱惑持续深耕的人才能成为未来的赢家稀缺的评价判断力对个人来说AI 会加速人群的分类形成更强的马太效应稀少的一代宗师少量的高手众多的中级玩家庞大的不明群众AI 首先加速了分类其次他加大了进阶的难度因为 AI 在提升效率的同时也为一般玩家装上了外挂。而外挂在提供神力的同时他也提供了限制你在完全依赖他的时候很难锤炼出自己系统性的思考能力。那么如何知道当前的能力是自身的还是 AI 所带来的呢答案是脱离 AI你能做到什么程度如果脱离 AI10 次有 2、3 次依旧能达到借助 AI 的最高水准那么不用担心他仅仅只是你的工具而已这里最好的 Case 就是 AI 编程进一步各位要思考AI 高手 与 AI 一般玩家的根本差异在哪里。这里我可以告诉大家根本差距在于最基本的评价、判断能力也就是我们常说的评价体系。什么是评价体系评价体系就是你对一个项目、一篇文章、一段代码好坏的理解和可以提出的意见而高手的评价体系是宏观而微观的、是触类旁通、是一以贯之的是旁征博引的。举个例子高手会知道《瞬变》的知识框架与 OKR 是一致的高手会知道 OKR 的根本是评价体系的建立以及信息通道的打通高手会知道复盘难以推动的关键与《经济学十大原理》有千丝万缕的联系高手会知道传销体系的成功在于上升通道、信息通道与企业文化的联合结果…在这个基础上AI 给了你一个结果他也说得头头是道啊而是否具备对AI 输出的好坏判断以及修改建议是区别高手与一般玩家的关键举个例子高手不会认为内容越多越好他们会遵循第一性原理而如何从 AI 的回答中剔除那些正确但好像有用其实无用的部分将是大家急需修炼的内功…综上回归最初的问题你在使用 AI 工具的时候感觉它是在帮你还是在替你大家可能就会明白我真是的意图和响应表达的内容了AI 应该是陪练不是代练人才结构迁移前面洋洋洒洒说了一大段不是在表达对用 AI 忽悠我员工的不满更不是想要去唱衰用 AI 这个事而是我在对接下来很多同学就业问题的担忧。2026 届全国普通高校毕业生预计 1270 万人、当前又传出了很多裁员信息其中不只是小公司也包括很多大厂可以预见一定会发生的情况是就业竞争将更为激烈…所以我们真正在谈的已经不是该不该用 AI而是当就业市场在变难、机会又向 AI 相关能力迁移时你靠什么证明自己不是被工具抬起来的那一个关于时代红利正在往 AI 转移基本都是行业共识了比如据《2025 年人工智能产业人才发展报告》显示2025 年三季度人工智能行业招聘职位数同比增长 11%前三季度招聘职位数同比增长 3%求职人数同比增长 39%AI 产品经理需求增长 178%。又比如Google 近几年多次对非核心团队、硬件、广告、云、管理层等岗位做组织调整和裁员整体背景是把公司资源进一步集中到 AI 和 Gemini 相关战略上。综上这两年整个行业人才结构正在发生结构性转移企业逐渐在避免为旧岗位、旧流程、低效率付钱愿意为 AI 提效、AI 产品、AI 应用、AI 工作流付钱。那么现在的情况就很清晰了整个行业的人才结构正在发生变化而 AI 红利就在这了将军岂无意乎如果依旧没兴趣的话可以看看下面这张表但如果有兴趣那么新的问题就来了AI 是当前必须掌握的能力必须学、必须用但如如前所述一味依赖 AI、滥用 AI又会陷入“虚假繁荣”的困扰这里的度在哪里另外AI 听起来那么高级的东西一般人能有机会吗接下来我们先来聊聊普通人有没有机会再来聊聊到底该怎么学、底层逻辑是什么这里先说结论有机会但要努力这里可以从两个视角同时做展开首先是企业方用人单位视角因为企业要求决定员工能力而当前从企业方对人才能力的判断标准是竞争力 专业能力 × AI 工具 × 项目作品 × 知识表达KnowHow AI 工具这里的专业能力就是行业 KnowHow这个跟技术无关跟你所处行业有关举个例子医疗行业的医生问诊流程法律行业的律师断案流程HR 行业的整体招聘流程…其次就是 AI 工具了大家最常用到、又有点门槛的无非是AI Coding 相关如 CodeX、Claude Code、Trae低代码平台相关如 Coze、Dify、AI 表格/多维表格AIGC 类工具如 AI 漫剧、AI PPT要特别说明的是在 AI 工具这个领域程序员是具有天然的优势的因为程序员行业的能力直接部分覆盖了 AI 工具的范围举个例子会古法编程的程序员在 AI Coding 这里学习成本会很低但不要高兴的太早**AI Coding 同样将编程的门槛杀到了白菜价**换句话说***程序员在 AI 工具一块降维学习、适应所带来的优势远不及 AI Coding 带来的劣势多***所以如果认为 AI 的机会是老一代的程序员的这个想法就错了事实上他们只是比你更好学一点罢了…项目作品然后就是项目作品了这个就更不用担心了由于现在很多项目的实际壁垒在大模型侧所以多数公司是***分不清生产级 AI 项目和 Demo 的区别的***所以现阶段在 AI 项目作品这里是极其容易鱼目混珠的这里举个真实的案例之前一家公司是长期为药企提供市场报告的他们手里有大量私有数据很自然的老板想要找人做一个 AI 知识库只不过收到的报价就很夸张便宜的 10 万不到贵的 300 万都打不住这突然就给他们老板整不会了于是试探性的选了个大几十万的团队做实践一个月就看见demo了还感觉挺不错至少有 70 分的水准但三个月后依旧不能超过第一个月的效果还是 70 分并且技术团队表示无论怎么努力都无法再进一步最后结果只能推倒重来。后面这个老板辗转找到我原来他们找的技术团队没有大型 AI 项目的经验之前是用 AI Coding 很快的做了个知识库…这个老板会选择他们好像是因为包装宣传做得好之前给他展示了一些 Demo比如一键生成 1000 份文章10 分钟做完一个网站…这些案例看上去都很爆炸给该老板震撼到了至于具体内容他没细看但这种团队能做得好就奇了…我相信这个 Case 已经可以足够展示当前AI 项目 与 AI Demo之间的差异性以及迷惑性了。这里其实是不能怪这个老板、也不能去更多的苛求用人单位的**因为 AI 技术这个东西确实挺令人迷惑的AI 项目就是写个提示词这不有手就行**毕竟AI 技术非常简单简单到就是模型 API 的调用几乎是个互联网人就行但 AI 项目又极其复杂他要求关键人具有复合型能力包括业务 KnowHow、模型能力边界认知、强大的工程能力而就是因为AI技术好像很简单一个人一个月就能出demo会让人觉得AI项目成本很低但当他们实际遇到模型幻觉、对话生硬、答非所问等问题时又总是束手无策。这里就形成了很诡异的AI 领域非对称性花一个月的时间就能习得 LLM 60% 的使用技巧花一年的时间只能习得 LLM 70% 的使用技巧所以AI 是一个学习曲线异常诡异的“学科”多数人折腾一个月和折腾一年是类似的并且我这里还有更夸张的数据花 10 万可以学到 60% 的知识但花 100 万只能学到 70% 的知识90 万的区别就是这 10%…而就是因为这里的非对称性所以各个企业对于 AI 人才的判断就只能回归于最原始的知识表达了也就是说看谁胆子大看谁会吹…知识表达如上所述因为AI 项目的非对称性所以多数人之间 关于 AI 的差距并不大。所以如果你只是想进入行业吃点红利只要你有一套自己相对成体系的 AI 知识框架、学习努力一点、表达好一点是不会有太多的阻碍的毕竟 AI 大佬是很少的当前行业里 AI 人才可以分为几批人第一对 AI 项目几无认知的落后玩家。他们虽然在从事互联网相关工作但对 AI 是比较后知后觉的而这部分人数量巨大远超 60%PS不瞒各位去年年底我去给杭州一家非常不错的企业做 AI 咨询他们技术负责人居然是不写提示词的并且貌似他还十分执著要自己写代码这给我惊呆了…第二AI 水平达到及格线的人。当前这个品类的人数众多他们付出的代价其实很小却已经拿到了不错的成绩。就我认识一个哥们代码都不怎么会写就拿着 Coze 各种搭建工作流结果月收入 20 万以上只不过你让他去做什么 AI 项目是不可能的现在阶段 Coze 不吃香了他们就马上转战 AI Coding 和 OpenClaw小龙虾继续搭建之前的工作流依旧活得十分滋润第三及格线以上的人。他们多半在 AI 项目上做过很多实践使用预算在 1000 万以上这批人对 AI 认知较深会深刻知道模型能力边界在哪他们离大高手只差一个成功案例。第四大高手。与第三类人才差不多唯一区别就是产品已经做出来了并且拿到了不错的结果就他们讲出来的Harness 知识以及知识工程案例大家能直接感受到其工程厚重感。**第五宗师级别选手。**不参与讨论…好了这里大家可以看上述机构层级不夸张的说及格线以上的人不占行业的 10%人数是很少的所以大家的知识表达只要成体系一点就很容易在 90% 的人里面脱颖而出。毕竟想要项目案例还不容易一个月就可以搞一个 Demo…员工视角机会在哪通过前面企业视角的讨论我们知道了当前人才的竞争力模型是专业能力 × AI 工具 × 项目作品 × 知识表达但是由于信息差当前的可操作空间是很大的。这个时候我们就很值得进入员工视角做讨论了这里需要关注两个问题真的有机会吗哪些岗位机会AI 发展这么快会不会学一个马上要淘汰的知识真的有机会吗**真的有机会**就钱两个月帮某公司做招聘我觉得有两个数据可以分享给大家第一从招聘网站上筛了 1000 份简历再去除最基本的元素一般是学历、工作经历后筛选出来的 10 个候选人这些同学都不说 AI Coding了连 Coze、Dify、多维表格都没玩明白这种怎么可能找到 AI 相关工作呢第二及格线与及格线以上的人差距不是非常明显稍微包装一下就能欺骗不太懂的公司之前药企知识库的情况不是个例。而现阶段很多企业吃过亏后已经在有意识的自己做培养了这里释放的信号是有经验的老人有机会没有经验而聪明的小年轻同样有机会所以你说有没有机会那是真的有机会有哪些机会这里就要涉及到岗位信息了当前确实很多岗位正在规模变小比如客服、文档整理员、翻译官、基础内容生产者包含简单品牌、初级设计…但也有一些岗位需求正在增加并且薪酬非常可观这里我们是很有必要将这几个岗位打开看看的因为这些岗位的出现、火热一定是具有他的底层逻辑的他们至少显示了两个重要趋势企业需要复合型人才或者说是全栈/全能的人才行业对人才的要求逐渐从会使用工具转向到能创造价值/结果了意思是正在追求任务闭环OPC 类运转单元可能会受欢迎AI 应用开发工程师这里可以叫 AI 应用工程师也可以叫AI 全栈工程师他出现的重要涵义是以后大概是不再区分前端、后端、架构师等岗位也不区分 Java、PHP、JS 等语言了。企业以后关注的是工程师AI Coding的能力这里最基础的要求是既懂开发又懂 Prompt、RAG、Agent 和业务集成。总而言之开发岗位会留下但一定会合并。AI 解决方案架构师/FDE当前还有个岗位是很火FDEAI 解决方案架构师。首先这个岗位重要度很高因为他需要去到企业现场跟目标客户一起跑出业务结果其次这个岗位垂直技术难度未必有 AI 全栈工程师高但他复杂度却不低。他需要很强的沟通能力、也需要很全面的知识因为他最重要的工作是把客户混乱的业务、数据、流程组织成可执行方案。现阶段这个岗位多半由之前的售前、交付经理、项目经理、能力差的产品经理等偏沟通能力较强的角色转型过去但这批同学的专业能力、学习意愿大家懂的都懂肯定是不行的所以当前这个岗位的需求是很大的也是各位不错的机会点。AI 产品经理/AI 项目经理这个自不必多说产品经理角色无论何时都是需要的之前他们的核心工作是顶层设计消化老板战略信息 向上管理隐藏下面进度困难而随着 AI 的发展如果仅仅是完成这些工作显然是不行了啊因为现在研发的工作量发生了很大的转移之前的主要工作是写代码现在的主要工作是写提示词、做 Skills。所以整个 AI 产品经理有两个发展趋势把程序员的活一起干了发挥自己信息量大的优点把整体的项目管理工作抓起来总而言之工作内容肯定是越来越多了…行业专家/AI 工作流工程师然后具体到每个行业一定需要业务专家对业务专家的要求也很简单将自己的工作流梳理清楚、将自己的独有数据结构化出来。这批人是行业数据工程的主要战斗力主要工作会围绕知识库建设、可观测数据集等场景展开…如何学习到这里又再次回到了亘古不变的话题了能力-工具-项目-表达这个模型我已经了解了我也同时从企业视角和员工视角看到了机会所在甚至对于后面具体到哪个岗位那个岗位实际在做什么我都很清楚了。但问题也就来了怎么学呢这里有两个建议第一是建立框架然后顺着框架做学习比如我们这里根据应用层 AI 三要素KnowHow、数据、工程建立的 AI 应用分层模型AI 应用分层模型一旦我们建立了这套分层模型那么每个品类的 AI 项目如何做、技术路径是什么、难点卡点是什么我们就应该心里有数了。举个例子通过分层我们会知道 AI 工作流的核心是梳理好 SOP/Workflow、知识库的难点是数据处理、Agent 的难点是建立稳定可观测的执行环境…一旦分层建立我们就可以有意识的去整理、沉淀行业认知 → AI 工具 → 项目产品 → 知识表达相关信息而我我们的要求并不高可能只需要了解最简单的工作流 AI 与 简单知识库就超过 90% 的人了…全景图打开其次就是第二种策略因为上述的 AI 应用分层模型是具有逐次递进、降维打击的特性的也就是说只要把最难的 AI 应用搞清楚了那么其他的就都不在话下了所以这里所谓第二策略就是去找个最优代表性的项目去做全景图打开。事实上很多想转型 AI 的人其实最缺的就是看到生产级 AI 项目全貌的机会因为真实公司里的 AI 项目并不是你网上刷几个 demo、看几个教程就能看明白的。一个稍微大一点的 AI 项目里面至少会同时涉及这些 AI 知识模型能力边界Prompt/Context/Workflow/Agent 设计数据清洗、标注、评测系统接入与工程实现可观测性与效果验证成本控制、安全合规跟现有组织和流程怎么协同…但很多转型者在公司里最开始能接触到的往往只是边角料比如协助整理数据做点竞品调研跑一些模型评测配一点提示词维护一点知识库做一点实施或支持至于更核心的项目为什么这么设计架构为什么长这样为什么这里用 Workflow、那里用 Agent为什么某些模块必须做数据闭环历史上踩过什么坑、最后为什么形成这个方案这些东西往往没人会完整告诉你。所以很多人就会陷入一种非常尴尬的状态学了一堆工具但看不见项目全貌进了 AI 团队但摸不到真正有价值的部分这里回归一下如果你想系统性的学习 AI有两个不错的做法第一是尝试去建立框架这里的核心是遵循 MECE 原则第二是找一个全面的生产级 AI 项目去仔细研读结语篇幅已经很长了我们做下收束我们其实今天讨论的不是**AI 到底是在帮你还是在替你**而是在讨论如何学习系统性的学习 AI又如何吃到这一轮的 AI 红利在此我们是非常强调 AI 时代专业的判断力以及全局的知识结构的因为你只有真实的看过、做过才能做评价/判断否则你连问题都问不出来…这里最后举个例子以下几点心得是做过复杂 AI 项目一定会深有感触的第一知识库设计尤为关键其中最难的是缺点边界与结构所谓边界是你的AI系统到底要完成什么任务必须穷举定死所谓结构就是知识要能匹配这套系统第二知识梳理的时候要考虑逻辑关系链、要设计实体结构要找到切入知识库的核心比如用一个不重样的关键词将知识实体搜索出来再根据实体结构的逻辑链找到各种关系只要逻辑链清晰提示词就好设计AI就会聪明很多第三在做知识库实体结构时类型不要太多如果产生层级层级也不能太多因为关系越多工程实现越复杂、层级越多知识库处理越复杂。做AI应用要平衡真实世界的模拟与数据工程实现的ROI也就是如果工程实现复杂度过高就要在数据复杂度层面做取舍第四在前三点的基础下需要考虑的是架构实现问题这里必须由一号位自己写文档做产品甚至是架构设计不用你写代码但你文档写完需要相当于伪代码写完了不然下面产品和技术没那个能力做出来的。这里的架构设计核心是你的知识如何让AI每次都能拿到、拿对、拿全、不拿多第五在知识齐全的情况下如何让AI聊得像个人是个封闭性问题他的前提是知识是对的如何像人一样表达这段知识需要考虑什么需要建模或者说需要设计策略学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
AI 催生的四个岗位：AI 全栈、FDE、AI PM、Workflow
发布时间：2026/6/13 11:54:04
最近我被下面一个同学搞麻了…原因是大概一周前给他布置了个工作临了的时候看到他给了我一个万字长文似乎很认真啊但不要高兴得太早因为读起来的质量是又高又低经常出现金句但整体逻辑性太低而且车轱辘话很多拿去 AI 查重果然啊好家伙该不会是我给了他一周的时间他一小时就用 AI 干出来想来交差了吧于是我拿着文章中的内容请教他结果是各种磕磕巴巴完全不成体系啊看来这个星期确实真的是浪费了…现在 AI 滥用是很正常的现象但我却有所触动于是非常好奇的问了小伙伴一个问题你在使用 AI 工具的时候感觉它是在帮你还是在替你呢为什么会有这个问题因为他背后是 AI 时代我们所具备最核心的能力评价判断的能力。AI 是陪练还是代练对于有一定阅历的人来说AI 是一个好帮手因为他们是真的需要去与人对话。因为真实情况下***除非付费***否则是不会有那么多厉害的人有那么多闲工夫还有兴趣讨论你的事情于是乎对于高手来说AI 成了最好的陪练工具。但要注意他们事实上也不需要 AI 给正确答案因为这批人自负且固执他们只是需要 AI 给出反馈他们会从这些反馈中找到一些可以激发自身灵感的点。其次在搜集资料方面AI 会节省他们大量查阅或者验证的时间如果没有 AI验证资料质量的时间会吃掉他们创作时间的 2/3所以这里结论是AI 并不能提升高手们的上限但确实能提升他们的效率。那么对于一般人员比如我下面这个同学来说呢情况就变了外挂 兴奋剂对于一般玩家来说AI 是个取巧的工具AI 能轻易产出自己能力值上限的作品偶尔调教得宜AI 能产出突破上限的作品甚至达到高手领域对他们来说AI表面上是工具实际却可能成为一场能力透支的陷阱。这种轻易得到的提升往往代价高昂而且这种代价不易察觉最终可能导致他们在竞争中逐渐被淘汰除非他们刻意的提升自我。AI 让效率成为标配却让能力成为稀缺这东西又不是谁家的老婆谁用都是用其结果是所有中级玩家都背上了外挂。如文案、数据分析、简单问题解答原本依靠这些技能区分彼此的玩家如今可能站在同一起跑线了。但最终的赢家将是那些真正练过、被坑过的人而不是看似效率更高的人。因为轻易得到的不属于自己而 AI 会让这种现象更加普遍。AI 可以瞬间解决很多中级选手的难题但这种解决并未内化为他们的知识体系一旦脱离 AI他们会发现自己面对复杂问题时仍然力不从心就算是依赖 AI他们也未必能真的具备应变能力因为很多事情差之毫厘谬以千里AI 让中级选手觉得自己变强了但这是包装的结果并且大家都可以包装包装的后果是忽视锤炼与内省缺乏稳健的个人知识体系这只会让他们与高手的差距进一步加大。并且在AI时代成为高手的标准会被大幅提升不再是高效率的执行而是体系化思维下的洞察力与创造力。也就是说如果大家不主动放下 AI 外挂去被坑几次、去好好打磨自己的基本功是很难跨域门槛的所以厚积薄发的时代没有结束相反他的标准更严苛了。那些能够抵住诱惑持续深耕的人才能成为未来的赢家稀缺的评价判断力对个人来说AI 会加速人群的分类形成更强的马太效应稀少的一代宗师少量的高手众多的中级玩家庞大的不明群众AI 首先加速了分类其次他加大了进阶的难度因为 AI 在提升效率的同时也为一般玩家装上了外挂。而外挂在提供神力的同时他也提供了限制你在完全依赖他的时候很难锤炼出自己系统性的思考能力。那么如何知道当前的能力是自身的还是 AI 所带来的呢答案是脱离 AI你能做到什么程度如果脱离 AI10 次有 2、3 次依旧能达到借助 AI 的最高水准那么不用担心他仅仅只是你的工具而已这里最好的 Case 就是 AI 编程进一步各位要思考AI 高手 与 AI 一般玩家的根本差异在哪里。这里我可以告诉大家根本差距在于最基本的评价、判断能力也就是我们常说的评价体系。什么是评价体系评价体系就是你对一个项目、一篇文章、一段代码好坏的理解和可以提出的意见而高手的评价体系是宏观而微观的、是触类旁通、是一以贯之的是旁征博引的。举个例子高手会知道《瞬变》的知识框架与 OKR 是一致的高手会知道 OKR 的根本是评价体系的建立以及信息通道的打通高手会知道复盘难以推动的关键与《经济学十大原理》有千丝万缕的联系高手会知道传销体系的成功在于上升通道、信息通道与企业文化的联合结果…在这个基础上AI 给了你一个结果他也说得头头是道啊而是否具备对AI 输出的好坏判断以及修改建议是区别高手与一般玩家的关键举个例子高手不会认为内容越多越好他们会遵循第一性原理而如何从 AI 的回答中剔除那些正确但好像有用其实无用的部分将是大家急需修炼的内功…综上回归最初的问题你在使用 AI 工具的时候感觉它是在帮你还是在替你大家可能就会明白我真是的意图和响应表达的内容了AI 应该是陪练不是代练人才结构迁移前面洋洋洒洒说了一大段不是在表达对用 AI 忽悠我员工的不满更不是想要去唱衰用 AI 这个事而是我在对接下来很多同学就业问题的担忧。2026 届全国普通高校毕业生预计 1270 万人、当前又传出了很多裁员信息其中不只是小公司也包括很多大厂可以预见一定会发生的情况是就业竞争将更为激烈…所以我们真正在谈的已经不是该不该用 AI而是当就业市场在变难、机会又向 AI 相关能力迁移时你靠什么证明自己不是被工具抬起来的那一个关于时代红利正在往 AI 转移基本都是行业共识了比如据《2025 年人工智能产业人才发展报告》显示2025 年三季度人工智能行业招聘职位数同比增长 11%前三季度招聘职位数同比增长 3%求职人数同比增长 39%AI 产品经理需求增长 178%。又比如Google 近几年多次对非核心团队、硬件、广告、云、管理层等岗位做组织调整和裁员整体背景是把公司资源进一步集中到 AI 和 Gemini 相关战略上。综上这两年整个行业人才结构正在发生结构性转移企业逐渐在避免为旧岗位、旧流程、低效率付钱愿意为 AI 提效、AI 产品、AI 应用、AI 工作流付钱。那么现在的情况就很清晰了整个行业的人才结构正在发生变化而 AI 红利就在这了将军岂无意乎如果依旧没兴趣的话可以看看下面这张表但如果有兴趣那么新的问题就来了AI 是当前必须掌握的能力必须学、必须用但如如前所述一味依赖 AI、滥用 AI又会陷入“虚假繁荣”的困扰这里的度在哪里另外AI 听起来那么高级的东西一般人能有机会吗接下来我们先来聊聊普通人有没有机会再来聊聊到底该怎么学、底层逻辑是什么这里先说结论有机会但要努力这里可以从两个视角同时做展开首先是企业方用人单位视角因为企业要求决定员工能力而当前从企业方对人才能力的判断标准是竞争力 专业能力 × AI 工具 × 项目作品 × 知识表达KnowHow AI 工具这里的专业能力就是行业 KnowHow这个跟技术无关跟你所处行业有关举个例子医疗行业的医生问诊流程法律行业的律师断案流程HR 行业的整体招聘流程…其次就是 AI 工具了大家最常用到、又有点门槛的无非是AI Coding 相关如 CodeX、Claude Code、Trae低代码平台相关如 Coze、Dify、AI 表格/多维表格AIGC 类工具如 AI 漫剧、AI PPT要特别说明的是在 AI 工具这个领域程序员是具有天然的优势的因为程序员行业的能力直接部分覆盖了 AI 工具的范围举个例子会古法编程的程序员在 AI Coding 这里学习成本会很低但不要高兴的太早**AI Coding 同样将编程的门槛杀到了白菜价**换句话说***程序员在 AI 工具一块降维学习、适应所带来的优势远不及 AI Coding 带来的劣势多***所以如果认为 AI 的机会是老一代的程序员的这个想法就错了事实上他们只是比你更好学一点罢了…项目作品然后就是项目作品了这个就更不用担心了由于现在很多项目的实际壁垒在大模型侧所以多数公司是***分不清生产级 AI 项目和 Demo 的区别的***所以现阶段在 AI 项目作品这里是极其容易鱼目混珠的这里举个真实的案例之前一家公司是长期为药企提供市场报告的他们手里有大量私有数据很自然的老板想要找人做一个 AI 知识库只不过收到的报价就很夸张便宜的 10 万不到贵的 300 万都打不住这突然就给他们老板整不会了于是试探性的选了个大几十万的团队做实践一个月就看见demo了还感觉挺不错至少有 70 分的水准但三个月后依旧不能超过第一个月的效果还是 70 分并且技术团队表示无论怎么努力都无法再进一步最后结果只能推倒重来。后面这个老板辗转找到我原来他们找的技术团队没有大型 AI 项目的经验之前是用 AI Coding 很快的做了个知识库…这个老板会选择他们好像是因为包装宣传做得好之前给他展示了一些 Demo比如一键生成 1000 份文章10 分钟做完一个网站…这些案例看上去都很爆炸给该老板震撼到了至于具体内容他没细看但这种团队能做得好就奇了…我相信这个 Case 已经可以足够展示当前AI 项目 与 AI Demo之间的差异性以及迷惑性了。这里其实是不能怪这个老板、也不能去更多的苛求用人单位的**因为 AI 技术这个东西确实挺令人迷惑的AI 项目就是写个提示词这不有手就行**毕竟AI 技术非常简单简单到就是模型 API 的调用几乎是个互联网人就行但 AI 项目又极其复杂他要求关键人具有复合型能力包括业务 KnowHow、模型能力边界认知、强大的工程能力而就是因为AI技术好像很简单一个人一个月就能出demo会让人觉得AI项目成本很低但当他们实际遇到模型幻觉、对话生硬、答非所问等问题时又总是束手无策。这里就形成了很诡异的AI 领域非对称性花一个月的时间就能习得 LLM 60% 的使用技巧花一年的时间只能习得 LLM 70% 的使用技巧所以AI 是一个学习曲线异常诡异的“学科”多数人折腾一个月和折腾一年是类似的并且我这里还有更夸张的数据花 10 万可以学到 60% 的知识但花 100 万只能学到 70% 的知识90 万的区别就是这 10%…而就是因为这里的非对称性所以各个企业对于 AI 人才的判断就只能回归于最原始的知识表达了也就是说看谁胆子大看谁会吹…知识表达如上所述因为AI 项目的非对称性所以多数人之间 关于 AI 的差距并不大。所以如果你只是想进入行业吃点红利只要你有一套自己相对成体系的 AI 知识框架、学习努力一点、表达好一点是不会有太多的阻碍的毕竟 AI 大佬是很少的当前行业里 AI 人才可以分为几批人第一对 AI 项目几无认知的落后玩家。他们虽然在从事互联网相关工作但对 AI 是比较后知后觉的而这部分人数量巨大远超 60%PS不瞒各位去年年底我去给杭州一家非常不错的企业做 AI 咨询他们技术负责人居然是不写提示词的并且貌似他还十分执著要自己写代码这给我惊呆了…第二AI 水平达到及格线的人。当前这个品类的人数众多他们付出的代价其实很小却已经拿到了不错的成绩。就我认识一个哥们代码都不怎么会写就拿着 Coze 各种搭建工作流结果月收入 20 万以上只不过你让他去做什么 AI 项目是不可能的现在阶段 Coze 不吃香了他们就马上转战 AI Coding 和 OpenClaw小龙虾继续搭建之前的工作流依旧活得十分滋润第三及格线以上的人。他们多半在 AI 项目上做过很多实践使用预算在 1000 万以上这批人对 AI 认知较深会深刻知道模型能力边界在哪他们离大高手只差一个成功案例。第四大高手。与第三类人才差不多唯一区别就是产品已经做出来了并且拿到了不错的结果就他们讲出来的Harness 知识以及知识工程案例大家能直接感受到其工程厚重感。**第五宗师级别选手。**不参与讨论…好了这里大家可以看上述机构层级不夸张的说及格线以上的人不占行业的 10%人数是很少的所以大家的知识表达只要成体系一点就很容易在 90% 的人里面脱颖而出。毕竟想要项目案例还不容易一个月就可以搞一个 Demo…员工视角机会在哪通过前面企业视角的讨论我们知道了当前人才的竞争力模型是专业能力 × AI 工具 × 项目作品 × 知识表达但是由于信息差当前的可操作空间是很大的。这个时候我们就很值得进入员工视角做讨论了这里需要关注两个问题真的有机会吗哪些岗位机会AI 发展这么快会不会学一个马上要淘汰的知识真的有机会吗**真的有机会**就钱两个月帮某公司做招聘我觉得有两个数据可以分享给大家第一从招聘网站上筛了 1000 份简历再去除最基本的元素一般是学历、工作经历后筛选出来的 10 个候选人这些同学都不说 AI Coding了连 Coze、Dify、多维表格都没玩明白这种怎么可能找到 AI 相关工作呢第二及格线与及格线以上的人差距不是非常明显稍微包装一下就能欺骗不太懂的公司之前药企知识库的情况不是个例。而现阶段很多企业吃过亏后已经在有意识的自己做培养了这里释放的信号是有经验的老人有机会没有经验而聪明的小年轻同样有机会所以你说有没有机会那是真的有机会有哪些机会这里就要涉及到岗位信息了当前确实很多岗位正在规模变小比如客服、文档整理员、翻译官、基础内容生产者包含简单品牌、初级设计…但也有一些岗位需求正在增加并且薪酬非常可观这里我们是很有必要将这几个岗位打开看看的因为这些岗位的出现、火热一定是具有他的底层逻辑的他们至少显示了两个重要趋势企业需要复合型人才或者说是全栈/全能的人才行业对人才的要求逐渐从会使用工具转向到能创造价值/结果了意思是正在追求任务闭环OPC 类运转单元可能会受欢迎AI 应用开发工程师这里可以叫 AI 应用工程师也可以叫AI 全栈工程师他出现的重要涵义是以后大概是不再区分前端、后端、架构师等岗位也不区分 Java、PHP、JS 等语言了。企业以后关注的是工程师AI Coding的能力这里最基础的要求是既懂开发又懂 Prompt、RAG、Agent 和业务集成。总而言之开发岗位会留下但一定会合并。AI 解决方案架构师/FDE当前还有个岗位是很火FDEAI 解决方案架构师。首先这个岗位重要度很高因为他需要去到企业现场跟目标客户一起跑出业务结果其次这个岗位垂直技术难度未必有 AI 全栈工程师高但他复杂度却不低。他需要很强的沟通能力、也需要很全面的知识因为他最重要的工作是把客户混乱的业务、数据、流程组织成可执行方案。现阶段这个岗位多半由之前的售前、交付经理、项目经理、能力差的产品经理等偏沟通能力较强的角色转型过去但这批同学的专业能力、学习意愿大家懂的都懂肯定是不行的所以当前这个岗位的需求是很大的也是各位不错的机会点。AI 产品经理/AI 项目经理这个自不必多说产品经理角色无论何时都是需要的之前他们的核心工作是顶层设计消化老板战略信息 向上管理隐藏下面进度困难而随着 AI 的发展如果仅仅是完成这些工作显然是不行了啊因为现在研发的工作量发生了很大的转移之前的主要工作是写代码现在的主要工作是写提示词、做 Skills。所以整个 AI 产品经理有两个发展趋势把程序员的活一起干了发挥自己信息量大的优点把整体的项目管理工作抓起来总而言之工作内容肯定是越来越多了…行业专家/AI 工作流工程师然后具体到每个行业一定需要业务专家对业务专家的要求也很简单将自己的工作流梳理清楚、将自己的独有数据结构化出来。这批人是行业数据工程的主要战斗力主要工作会围绕知识库建设、可观测数据集等场景展开…如何学习到这里又再次回到了亘古不变的话题了能力-工具-项目-表达这个模型我已经了解了我也同时从企业视角和员工视角看到了机会所在甚至对于后面具体到哪个岗位那个岗位实际在做什么我都很清楚了。但问题也就来了怎么学呢这里有两个建议第一是建立框架然后顺着框架做学习比如我们这里根据应用层 AI 三要素KnowHow、数据、工程建立的 AI 应用分层模型AI 应用分层模型一旦我们建立了这套分层模型那么每个品类的 AI 项目如何做、技术路径是什么、难点卡点是什么我们就应该心里有数了。举个例子通过分层我们会知道 AI 工作流的核心是梳理好 SOP/Workflow、知识库的难点是数据处理、Agent 的难点是建立稳定可观测的执行环境…一旦分层建立我们就可以有意识的去整理、沉淀行业认知 → AI 工具 → 项目产品 → 知识表达相关信息而我我们的要求并不高可能只需要了解最简单的工作流 AI 与 简单知识库就超过 90% 的人了…全景图打开其次就是第二种策略因为上述的 AI 应用分层模型是具有逐次递进、降维打击的特性的也就是说只要把最难的 AI 应用搞清楚了那么其他的就都不在话下了所以这里所谓第二策略就是去找个最优代表性的项目去做全景图打开。事实上很多想转型 AI 的人其实最缺的就是看到生产级 AI 项目全貌的机会因为真实公司里的 AI 项目并不是你网上刷几个 demo、看几个教程就能看明白的。一个稍微大一点的 AI 项目里面至少会同时涉及这些 AI 知识模型能力边界Prompt/Context/Workflow/Agent 设计数据清洗、标注、评测系统接入与工程实现可观测性与效果验证成本控制、安全合规跟现有组织和流程怎么协同…但很多转型者在公司里最开始能接触到的往往只是边角料比如协助整理数据做点竞品调研跑一些模型评测配一点提示词维护一点知识库做一点实施或支持至于更核心的项目为什么这么设计架构为什么长这样为什么这里用 Workflow、那里用 Agent为什么某些模块必须做数据闭环历史上踩过什么坑、最后为什么形成这个方案这些东西往往没人会完整告诉你。所以很多人就会陷入一种非常尴尬的状态学了一堆工具但看不见项目全貌进了 AI 团队但摸不到真正有价值的部分这里回归一下如果你想系统性的学习 AI有两个不错的做法第一是尝试去建立框架这里的核心是遵循 MECE 原则第二是找一个全面的生产级 AI 项目去仔细研读结语篇幅已经很长了我们做下收束我们其实今天讨论的不是**AI 到底是在帮你还是在替你**而是在讨论如何学习系统性的学习 AI又如何吃到这一轮的 AI 红利在此我们是非常强调 AI 时代专业的判断力以及全局的知识结构的因为你只有真实的看过、做过才能做评价/判断否则你连问题都问不出来…这里最后举个例子以下几点心得是做过复杂 AI 项目一定会深有感触的第一知识库设计尤为关键其中最难的是缺点边界与结构所谓边界是你的AI系统到底要完成什么任务必须穷举定死所谓结构就是知识要能匹配这套系统第二知识梳理的时候要考虑逻辑关系链、要设计实体结构要找到切入知识库的核心比如用一个不重样的关键词将知识实体搜索出来再根据实体结构的逻辑链找到各种关系只要逻辑链清晰提示词就好设计AI就会聪明很多第三在做知识库实体结构时类型不要太多如果产生层级层级也不能太多因为关系越多工程实现越复杂、层级越多知识库处理越复杂。做AI应用要平衡真实世界的模拟与数据工程实现的ROI也就是如果工程实现复杂度过高就要在数据复杂度层面做取舍第四在前三点的基础下需要考虑的是架构实现问题这里必须由一号位自己写文档做产品甚至是架构设计不用你写代码但你文档写完需要相当于伪代码写完了不然下面产品和技术没那个能力做出来的。这里的架构设计核心是你的知识如何让AI每次都能拿到、拿对、拿全、不拿多第五在知识齐全的情况下如何让AI聊得像个人是个封闭性问题他的前提是知识是对的如何像人一样表达这段知识需要考虑什么需要建模或者说需要设计策略学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
的演进与通信机制)
