想从事大模型？一大波工作岗位等你选！

技术类岗位

您可从事：算法工程师，研发工程师。

管理类岗位

您可从事：AI项目经理、AI产品经理、AI销售、AI解决方案。

技术类岗位

算法工程师

大模型算法工程师的职位通常要求求职者具备以下几方面的能力和经验。

通用技能	教育背景：通常要求硕士及以上学历，专业领域涉及自然语言处理、机器学习、深度学习、计算机视觉、人工智能等相关领域。
通用技能	团队协作：具备良好的团队合作精神和沟通能力，能够积极参与项目的讨论和决策。
专业技能	编程技能：需要具备优秀的编程能力，熟悉Python、C++等编程语言。同时，对Shell脚本编写、CUDA并行计算等有一定的了解和实践经验。
	框架与工具：熟练使用深度学习框架，如PyTorch、TensorFlow等，以及相关的工具和库，如Hugging Face Transformers、DeepSpeed、Megatron-LM等。
	算法理解与应用：掌握传统NLP、深度学习NLP相关算法，并具有相关实战经验。对深度学习、Transformer、预训练等有深入的理解和经验，能够根据论文复现相关算法。
实践经验	数据处理：了解数据挖掘、数据清洗、数据预处理等流程，能够处理大规模数据集，并具备一定的数据挖掘和构造能力。
	模型开发与优化：参与大规模预训练语言模型的研发、部署、微调，进行功能实现、性能优化、系统调优等工作。
	工程实践：具备将大模型应用到实际业务场景的能力，解决工程化和产品化过程中的难题，推动大模型的商业化落地。
	前沿研究：跟踪和研究大模型领域的最新技术动态，能够阅读并理解相关领域的高质量论文，有发表学术论文者优先。
	特定方向经验：针对不同的大模型算法工程师岗位，可能还需要具备特定方向的经验，如多模态大模型、RAG、AI Agent、场景应用等。

求职大模型算法工程师有哪些途径？小编将带你探索如下几条。

校园招聘：对于应届生，校园招聘是一个很好的求职途径。许多公司会在学校举办招聘会或宣讲会，可以直接与招聘人员面对面交流。
在线招聘：可以在各大招聘网站如BOSS直聘、拉勾网、猎聘网、51Job等上搜索相关的职位信息，创建个人简历，并投递简历。
内部推荐：通过现有的职业网络，如前同事、校友、导师等，获取内部推荐机会。内部推荐往往更容易获得面试机会。
行业论坛：在AI和机器学习相关的论坛和社区中，经常会有招聘信息发布。比如：DataFun专题分享会、知乎的线下沙龙等。
学术会议：参加人工智能、自然语言处理等领域的学术会议和研讨会，了解行业最新动态，结识同行，并可能遇到招聘单位的代表。
专业猎头：可快速整体地了解市场行情，同时也能很好match个人意向和企业招聘要求。同时，也会得到一些必要的面试和谈薪指导。

研发工程师

大模型研发工程师需要掌握一系列技能，以确保能够有效地设计、开发、训练和部署各类大模型。以下是一些关键技能：

通用技能	深度学习：熟悉深度学习的原理和算法，包括神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）和Transformer架构等。
	编程和软件开发：精通至少一种编程语言，如Python、C++或Java。熟练使用TensorFlow、PyTorch等深度学习框架进行模型的开发和优化。
	跨学科合作：与其他领域的专家（如数据科学家、产品经理等）有效沟通和协作，共同推动AI应用的实际应用。
	大模型生态：了解OpenAI等大模型公司的产品和服务，掌握API调用方法，能够在Jupyter等环境中进行模型测试和应用开发。
专业技能	数据处理和清洗：能够处理和分析大规模数据集，进行数据预处理、特征工程、数据增强等，以提高模型训练的效果。
	模型训练和调优：具备模型训练的经验，包括选择合适的损失函数、优化器和超参数调优，以及使用验证集进行模型选择。
	模型部署和优化：如何将训练好的模型部署到生产环境中，包括模型压缩、剪枝、量化等技术，确保模型在实际环境中能够高效运行。
	分布式计算：熟悉大规模分布式计算环境，能够在分布式系统上进行模型训练和推理。
	系统维护和监控：建立监控系统，实时跟踪模型性能，并及时发现和解决潜在问题。
实践经验	持续学习和创新：AI领域不断发展，研发工程师需要保持对新技术和研究的敏感性，以确保他们的工作始终处于行业的前沿。
	Prompt Engineering：掌握如何通过设计有效的提示词来引导和优化大模型的输出。
	Fine-tuning：理解如何基于开源大模型进行微调，以适应特定的应用场景。

求职大模型研发工程师的渠道和大模型算法基本一致，详情参考上文。

管理类岗位

AI项目经理

大模型项目经理的岗位职责主要涉及以下几个方面，具体如下。

通用技能	团队管理：组建并领导跨职能团队，包括数据科学家、工程师和开发人员。确保团队合作无缝，并按时交付高质量的成果。
	技术理解：项目经理不一定需要深入的技术专业知识，但需要对AI技术有足够的理解，包括大模型的原理、算法模型的选择、软硬件结合方式等，以便更好地管理项目和技术团队。
	跨部门协作：跨部门、跨团队对接科研成果并进行转化，提出项目实施方案，确保技术成果能够顺利转化为产品或服务。
	持续学习：跟进业界大模型、生成式AI技术的最新进展，加速新技术的引进、落地与优化。
专业技能	项目规划与战略：负责制定项目目标、范围和时间表，确保项目与企业战略一致。需要与业务部门紧密合作，收集和分析需求，并将业务需求转化为技术需求。
	项目执行与监控：制定详细的项目计划，监控项目进展并及时应对风险和问题。确保项目按计划进行，并与相关方进行有效沟通。
	交付与部署：确保AI模型或系统成功交付，并在生产环境中部署。与IT团队合作，确保项目的可行性和可持续性。
	风险管理：识别潜在风险，采取适当的措施来减轻风险，确保项目的成功。
	沟通和报告：保持与项目干系人之间的积极沟通，确保信息传递畅通，及时报告项目进展，维护透明度和建立信任。
	项目总结：项目结束后，确保项目交付物得到验收，合同得以结束，项目文件得以归档，并总结项目经验教训。

求职AI项目经理的渠道和大模型算法基本一致，详情参考上文。

AI产品经理

通用技能	项目管理：负责产品的开发进度管理，确保产品按照既定的时间节点顺利推进，同时控制产品质量和成本。
	数据分析与优化：收集和分析产品上线后的数据，包括用户反馈、使用行为等，不断优化产品性能和用户体验。
	市场推广与销售支持：制定产品的市场推广策略，与销售团队合作，提供必要的产品资料和技术支持，帮助销售团队更好地销售产品。
	跨部门沟通：与研发、设计、市场、销售等部门进行有效沟通，确保团队成员对产品目标和策略有清晰的认识，并协同工作。
	持续学习与创新：持续关注人工智能领域的最新技术和趋势，探索将新技术应用于产品的可能性，推动产品的持续创新。
专业技能	需求挖掘与分析：深入了解市场和用户需求，分析并确定产品的目标用户群和应用场景，为产品的开发和优化提供方向。
	产品规划与设计：基于需求分析结果，规划产品的功能和特性，设计产品原型，确保产品能够满足市场和用户的需求。
	技术协调与合作：与技术团队紧密合作，确保AI算法和模型能够有效地整合到产品中，并根据技术限制调整产品规划。
	竞品分析：关注市场上的竞争对手和行业动态，分析竞争对手的产品和策略，为产品的迭代和创新提供参考。
	风险管理：识别产品开发和推广过程中的潜在风险，制定应对策略，确保产品顺利推向市场。

求职AI产品经理的渠道和大模型算法基本一致，详情参考上文。

AI销售代表

通用技能	市场开拓：负责新客户的开发和现有客户的维护，通过各种渠道和方法拓展市场，增加产品的销售范围和市场占有率。
	销售目标：根据公司的销售策略和目标，制定个人或团队的销售计划，并努力实现或超越既定的销售目标。
	客户关系管理：建立和维护良好的客户关系，了解客户需求，提供专业的咨询和解决方案，确保客户满意度。
	商务谈判：与客户进行商务谈判，包括价格、合同条款、交付时间等，达成双方都满意的销售协议。
	销售数据分析：收集和分析销售数据，监控销售业绩，评估销售策略的有效性，根据分析结果调整销售策略。
	跨部门协作：与产品、技术、市场等部门紧密合作，确保销售过程中的技术支持和产品信息的准确性。
专业技能	产品演示与介绍：向潜在客户展示和介绍大模型产品的功能、优势和应用案例，帮助客户理解产品的价值和适用性。
	市场反馈收集：及时收集市场和客户的反馈信息，与内部团队沟通，推动产品的改进和优化。
	销售培训与支持：参与销售培训，不断提升自己的产品知识和销售技巧，同时为销售团队提供必要的支持和指导。
	合规性与风险管理：确保销售活动符合公司政策和法律法规要求，管理销售过程中的风险，包括信用风险、合同风险等。

求职AI销售代表的渠道和大模型算法基本一致，详情参考上文。

AI解决方案

通用技能	性能监控与优化：监控解决方案的运行效果，收集反馈，对解决方案进行持续优化，提升性能和用户体验。
	知识共享与培训：向客户和内部团队提供大模型技术的知识培训和支持，提高他们对解决方案的理解和使用效率。
	市场洞察：关注行业趋势和竞争对手动态，不断探索新的应用场景和技术，提升解决方案的市场竞争力。
	跨部门协作：与销售、产品、研发等其他部门紧密合作，确保解决方案的顺利推进，并及时根据市场和客户需求调整方案。
专业技能	需求分析：与客户沟通，深入了解他们的业务流程、痛点和需求，分析客户如何通过大模型技术提升效率或解决特定问题。
	解决方案设计：根据客户需求，设计定制化的大模型解决方案，包括技术选型、系统架构设计、功能规划等，确保方案能够满足客户的业务目标。
	技术实施：负责或协调技术团队实施解决方案，包括系统集成、配置、数据迁移、模型训练和部署等，确保项目按照既定计划和质量标准完成。
	项目管理：管理整个解决方案项目的进度，包括时间线、预算、资源分配和风险控制，确保项目按时交付并满足预期效果。
	客户支持与维护：在解决方案部署后，提供持续的技术支持和维护服务，解决客户在使用过程中遇到的问题，确保客户满意度。
	合规性与安全性：确保解决方案的设计和实施符合相关法律法规和行业标准，特别注意数据安全和隐私保护。