Chapter 10

职业路线与作品

把个人背景映射到产品、应用、模型、数据、安全和设计六条职业路线。

专题长文基础正文核对 2026-10-03增补 2026-11-194 个关联深度词条
本页目录 7 节

本章核心判断

最稳妥的职业定位不是追逐模型名,而是原有能力、AI 工具链和可证明行业成果的交集。

面试桌上的第二张收据

虚构示例

两位求职者都展示了会读收据的助手。演示刚结束,面试官递上第二张:这张收据在总额旁边又印了一行“已付定金”。一位重新点了几次生成,另一位拿出失败记录,解释怎样区分应付和实付、哪些情况应该交给人复核。

自拟教学说明

作品集不只展示最好的一次结果。留下任务定义、一份容易出错的样例、修改前后的输出和仍然做不到的事,读者才看得出你解决了哪一步。这里展示的是一种举证方式,不是招聘标准。

从工作任务变化推导岗位机会

研究依据

ILO 的暴露研究以任务为单位,提示文书和高度数字化工作会受到影响,但‘暴露’不等于岗位必然消失。职业规划应拆分自己岗位的重复任务、需要专业判断的任务和需要承担责任的任务,再决定补什么技能。

依据Generative AI and Jobs: A Refined Global Index of Occupational Exposure
预测边界

WEF 对 2030 年技能变化的预测来自雇主调查,属于全球趋势而非某人的录用概率。应结合本地招聘要求、行业工作流和可证明作品做选择,不按一次模型发布给自己改职业方向。

依据The Future of Jobs Report 2025: Jobs Outlook

六条路线对应六种交付责任

岗位地图

AI 产品负责选场景与定义指标;应用工程负责检索、工具、权限和上线;模型研发负责数据、训练与实验;数据工程负责质量、版本和管道;安全治理负责威胁、评测和责任;体验设计负责让人理解结果、限制与操作后果。真实岗位常跨界,分类只是建立坐标。

依据Evaluation Best PracticesNIST AI Risk Management Framework 1.0Agents in Microsoft Foundry
职业判断

新人可先用原有优势切入:行业经验深的人做场景与评测,软件经验强的人做应用工程,统计与研究基础强的人做数据或模型。每条路线都要求理解相邻环节,避免只会调用一个接口。

依据Generative AI and Jobs: A Refined Global Index of Occupational ExposureBuilding Effective Agents

作品集要展示失败和改进,而不只展示界面

作品标准

一份可信作品应说明用户和任务、原流程基线、数据授权、模型或规则选择、评测样本、失败分类、成本与结果。若使用合成数据,必须标注;没有真实用户和线上部署,就写‘原型验证’,不要包装成商业成果。

依据Evaluation Best PracticesNIST AI RMF Playbook
实践建议

做 RAG 作品时至少测无答案、旧版本、冲突证据与权限;做 Agent 作品时至少测错误工具参数、越权、超时和回滚。面试能解释为什么没选更复杂方案,比堆更多框架名更能证明判断力。

依据Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksOWASP Top 10 for LLM Applications 2025Building Effective Agents

让学习计划跟着可交付结果迭代

学习方法

先建立历史与概念地图,再完成一个可运行任务,接着补评测、权限、监控和行业边界。每轮只升级一个假设,用固定样本比较改动前后;这样能把阅读变成可展示的工程证据。

依据Evaluation Best PracticesNIST AI Risk Management Framework 1.0
职业判断

持续更新的重点是方法,而非记住当月的模型榜单。模型名称和接口会变化,任务定义、数据质量、验证能力与责任分配更具有迁移性。

依据AI Index 2026: Technical PerformanceGenerative AI and Jobs: A Refined Global Index of Occupational Exposure