2026 年 AI 就业全景观察：多模态算法岗薪酬中位数破 80 万，九成科技公司却在收缩用人

本文由 资源百宝箱@@绿色软件神器站（www.lsrjsqz.com）撰写，转载请注明出处。

快速摘要

一句话结论：2026 年的 AI 就业市场不是”寒冬”，也不是”盛夏”，而是一场规模空前的结构性大分化。 一边是塔尖岗位（AI 科学家、多模态算法负责人、大模型 Infra 专家）薪酬中位数持续突破天花板——多模态算法工程师年度薪酬中位数已冲上 80 万到 100 万的区间，个别顶尖候选人的整体待遇包突破 200 万；另一边是全球科技行业在 2026 年前 7 个月累计裁员规模已超过 12 万人，Layoffs.fyi 与 RationalFX 预测全年可能突破 27 万，Meta、亚马逊、微软、甲骨文、思科、Intuit 全部在列，且大部分被裁公司同期营收创新高。中间层、初级层、传统开发正在被压缩，塔尖的战争则愈发白热化。 本文基于脉脉高聘 2026 春招报告、前程无忧 2026 届校招 AI 人才需求报告、Layoffs.fyi 等多个交叉数据源，把”到底还要不要入行 AI””哪个岗位值得押注””普通人怎么切进去”这几个真实焦虑拆开讲透。想看完整拆解，往下翻。

一、写在开头：2026 年 AI 就业市场的三条主线

我写这篇文章的起因，是最近半年后台被问得最多的三个问题几乎从来没变过。一个是”AI 那么火，我还赶得上末班车吗”，一个是”我在传统外包 / 传统开发岗被裁了，转 AI 现实吗”，还有一个是”多模态算法工程师真的能到 80 万吗，是不是自媒体吹的”。

作为 资源百宝箱@@绿色软件神器站 长期跟踪这条赛道的博主，我想说一句实话：这些问题看起来是三个，其实是同一个问题的三面。它们背后指向的，是 2026 年 AI 就业市场分化到极致的三条主线。

1.1 主线一：塔尖岗位的定价体系已经和”传统 IT”脱钩

先说最直观的一条。2026 年之前，我们讨论程序员薪酬，通常会说”P7 拿 60 万、P8 拿百万”这种参照系。这个参照系放到 2026 年的 AI 塔尖岗位上，已经完全不管用了。

脉脉高聘发布的《2026 春招职场洞察报告》里，有一组数据挺震撼——2026 年 1 月到 4 月，AI 科学家 / 技术负责人这一档，平均月度薪酬水位达到了 13.28 万，是当期全部岗位中唯一一个月度中位数突破 10 万的门类。折算成年化，中位数就在 160 万左右，头部的整体待遇包（含期权）已经在冲 500 万到 800 万。

这个数字不是特例。它背后有一整套新的定价逻辑：企业不是在为”经验”买单，而是在为”能不能训出一个能上线的大模型”买单。多模态算法工程师能站上薪酬中位数破 80 万的位置，也是同一条逻辑的延伸。

1.2 主线二：中间层出现”塌陷”，3 到 8 年经验反而最难

第二条主线更反直觉。按常理，3 到 8 年经验的中高级工程师应该是市场最稳的一群人——技术不生疏、要价还没到天花板、上有老下有小转行成本高。但 2026 年这个群体反而是最尴尬的。

原因也很简单：2022 到 2024 年那波互联网收缩期，这批人里的相当一部分被裁到了金融科技、跨境电商、自动驾驶等其他赛道去了。2025 年大模型爆发之后，企业突然发现，能同时具备”深度学习工程实战”和”分布式训练工程经验”的中间层几乎断档。招不到 5 年到 8 年经验的 AI Infra 工程师，成了多家大模型公司公开抱怨的痛点。

但断层不代表所有中间层都值钱。真正值钱的是那些愿意重新学习、把自己从”传统开发”重构成”AI 应用开发”的人。 那些还守着老技术栈不动的中层，就是这一轮”精简换血”的重灾区。

1.3 主线三：底层供给过剩，AI 校招看起来很热但也在筛人

第三条主线容易被媒体渲染得过于乐观。2026 年 AI 校招确实很猛——脉脉数据显示，1 月到 4 月 AI 领域新发岗位数同比增长 8.7 倍，占整体新经济岗位比重从 2.78% 升到 22.03%。但同一份报告里，AI 领域的人才供需比也从 1.02 升到了 1.23，意思是求职者涌入的速度比岗位释放的速度更快。

换句话说，AI 校招的绝对数量在涨，但相对竞争也在涨。而且企业筛人的标准比 2024 年高得多。当年一个”跑通过 BERT 微调”的应届生就能进大厂，2026 年这个门槛已经变成”跑通过百亿参数模型的分布式训练”或者”独立交付过一个上线的 Agent 项目”。

1.4 三条主线合起来是一张什么图

我用一张图把三条主线叠起来看：

graph TB
    A[2026 AI 就业市场] --> B[塔尖]
    A --> C[中间层]
    A --> D[底层]

    B --> B1[AI 科学家 / 大模型研究员]
    B --> B2[多模态算法负责人]
    B --> B3[AI Infra 架构师]
    B1 --> B4[定价与传统 IT 脱钩<br/>年化 160 万到 800 万]

    C --> C1[3 到 8 年经验断层]
    C --> C2[愿意重构技能的<br/>被爆抢]
    C --> C3[守着老技术的<br/>被优化]

    D --> D1[AI 校招岗位量涨 8.7 倍]
    D --> D2[但供需比也在升]
    D --> D3[企业筛人门槛提高]

    style B fill:#f9f,stroke:#333,stroke-width:2px
    style C fill:#ff9,stroke:#333,stroke-width:2px
    style D fill:#9ff,stroke:#333,stroke-width:2px

看这张图应该就明白了：2026 年不存在一个统一的”AI 就业市场”，而是三个几乎不重叠的子市场，各自的定价规则、竞争烈度、入场门槛都完全不同。

如果你现在的判断还停留在”AI 就业市场很好”或者”AI 就业市场很卷”这种笼统结论，那接下来的每一节内容对你可能都值得看。资源百宝箱 我自己写这篇文章之前，也花了差不多两周时间把脉脉、前程无忧、Layoffs.fyi、Layoffs.ai、RationalFX 的数据全部交叉核对了一遍，尽量避免”一个数据点说一件事”的问题。

二、薪酬全景：AI 核心岗位的整体待遇水位到底在哪

这一节我不打算按老套的”分级 – 分档 – 分地区”往下写，而是按”钱是怎么算出来的”这个逻辑往下拆。因为大部分薪酬报告只告诉你数字，不告诉你数字是怎么形成的，看完还是懵。

2.1 全景数字：一张表看懂 2026 年 AI 核心岗薪酬中位数

先给一张我基于脉脉高聘、前程无忧、猎聘、iBuidl 等多个来源交叉核对后的全景表。表里的数字是月度薪酬中位数（不含股权 / 期权），年化按 15 薪估算，仅供参考。

说明：AI 岗位薪酬近半年浮动非常大，上表是我 2026 年 8 月整理时的近似情况，各地区、各公司差异很大，请以招聘官网和实际 Offer 数据为准。

看这张表可以得出几个直观结论：

第一，AI 应用开发 / 提示词工程师这一档的溢价已经在快速收窄。 2024 年这两个岗位应届起薪能到 2 万+，2026 年的中位数已经降到 1.2 万到 2 万区间。原因不复杂：门槛太低、供给上得太快、加上大厂裁员释放出的中层也在往这个方向挤。

第二，越往塔尖，头部与中位数的差距越夸张。 AI 科学家档位里，头部的整体待遇包能到 500 万到 800 万，是中位数的 3 到 5 倍。这个差距在传统 IT 岗位里几乎不存在——传统开发的头部通常也就是中位数的 1.5 到 2 倍。

第三，多模态算法工程师这个岗位为什么单独加粗？ 因为它是 2026 年最典型的”薪酬曲线最陡”的岗位——应届生水位和 CV / NLP 差不多，但一旦跑到 3 到 5 年经验档，薪酬跳跃的速度明显比 NLP、CV 快，头部的期权包基本上就在冲百万级。后面第五节我会专门拆这个岗位。

2.2 大模型算法岗为什么能站上”月度薪酬水位 5 万”

再看一个更具体的定价问题：大模型算法工程师的月度薪酬中位数是怎么被推到 4 万到 6 万的？

前程无忧《2026 届校招市场 AI 人才需求报告》里给了一个我觉得挺关键的数据点：如果按”企业理想候选人”（技术能力达到 90 分位）来算，大模型算法岗月度薪酬水位能到 5.2 万，是校招市场唯一突破 5 万门槛的岗位。这个 90 分位不是应届生随便能到的——它意味着你在校招阶段就已经有过千亿参数模型训练的实操，或者拿过顶会一作 / 拿过大厂 SSP Offer。

对比之下，”普通合格候选人”（50 分位）的水位就是 2.4 万到 2.5 万。也就是说，同一个岗位，头部和普通候选人的差距在 2 到 3 倍。

背后是三个原因：

一是大模型训练的成本极高。跑一次千亿参数模型的完整训练，硬件成本轻松上千万。这种情况下，企业宁愿多花几百万招一个能少烧钱、少踩坑的候选人，也不敢用一个便宜的但可能把训练搞砸的人。

二是产品价值绑定极强。大模型算法工程师做出的东西，直接对应企业的核心产品收入。这和过去传统 CRUD 岗位”做完就没人管”的性质完全不同——你的产出对应的是公司最赚钱的那条业务线，自然价值高。

三是替代性极低。传统开发岗位可以流水线培养，但大模型算法涉及的是从数学基础到工程细节的完整链路，短时间内几乎无法批量复制。

2.3 校招 vs 社招：定价逻辑差异

新手可能不太理解”校招”和”社招”这两个词——校招是指企业面向应届生的招聘，通常一年秋招（9 月到 11 月）春招（3 月到 5 月）两个窗口，规则统一；社招是指企业面向有工作经验的候选人的招聘，没有统一窗口，个案议价。

在 AI 领域，这两条线的定价逻辑差得非常远。

校招看的是”潜力”。 学校、竞赛、论文、实习是四大硬指标。清北复交浙 + 顶会一作 + 大厂 SSP 实习，这一套组合下来，校招阶段的整体待遇包就能拉到 60 万到 100 万，甚至更高。前程无忧的报告里提到，2026 届顶尖高校的应届 AI 博士，整体待遇包已经在冲 200 万。

社招看的是”上过线的项目”。 你参与过什么样的大模型训练、你调优过什么样的推理服务、你落地过什么样的 Agent 项目——这些直接对应议价筹码。一个 5 年经验、参与过千亿参数模型完整训练的 AI Infra 工程师，2026 年拿到 120 万年化并不夸张。

2.4 地域差异：北京、杭州、上海、深圳

脉脉 2026 春招报告里有一组我觉得比较有意思的地域数据：

• 北京：AI 岗位渗透率 30.17%，全国第一。每 10 个新发岗位里有 3 个是 AI 相关。
• 杭州：28.54%，反超上海、深圳位列第二。阿里系、蚂蚁系、大模型创业公司集中。
• 上海：24.31%，第三。AI 芯片、自动驾驶、金融科技 AI 强势。
• 深圳：19.22%，第四。硬件 + AI 结合最紧密，具身智能、机器人企业密集。

薪酬水位上，一线城市里 AI 算法工程师的年度薪酬中位数（含奖金）大约是：

需要说明的是，杭州虽然薪酬中位数不是最高的，但它的”定居性价比”在一线里排前列——房价、通勤成本比北京上海都低。所以我看到不少 AI 从业者主动往杭州迁移。

2.5 一个反常识：应届 > 社招的倒挂

最后讲一个很少被讨论但真实存在的现象。2026 年 AI 校招给出的整体待遇包，有相当比例已经开始”倒挂”公司内的 3 到 5 年老员工。

举个通用化的例子（不是特定公司）：某大模型公司给 2026 届顶尖高校博士的入职总包是 90 万到 120 万；同一家公司里，3 年前入职的社招算法工程师（当时按 30 万到 40 万签的），现在总包才 50 万到 65 万。这种”倒挂”在字节、阿里、美团、腾讯的大模型部门都出现过。

倒挂的结果就是，老员工要么内部换岗涨薪、要么跳槽议价、要么直接躺平。这也是过去一年多”AI 大厂员工跳槽热”背后的动力之一——你要涨薪，跳槽比等着调薪快得多。

作为 资源百宝箱@@绿色软件神器站 长期跟踪招聘数据的博主，我个人的判断是：这种倒挂在 2026 年会继续，但 2027 年之后会逐步收敛，因为校招的定价已经开始触及企业的心理天花板。真正想赚定价差的，最好在 2026 到 2027 这个窗口做出决定。

三、裁员真相：为什么”营收创新高”的公司还在收缩用人

薪酬那节写完，很多人会有一个直觉：既然 AI 岗位这么值钱，那科技公司应该都在扩招才对。为什么 2026 年反倒是全球范围内最凶猛的一轮裁员潮？

我把这件事想清楚花了一段时间。因为它确实反直觉——按 Layoffs.fyi 的统计，2026 年前 7 个月，全球科技行业裁员规模已经超过 12 万人；RationalFX 更悲观，预测全年会突破 27 万人，超过 2025 年的 24.5 万。而这些裁员公司里，有相当一部分同期营收创下历史新高。

3.1 数据全景：谁在裁人

先给一张我根据公开信息整理的 2026 年主要科技公司裁员清单（不含未公开确认的传闻）：

说明：以上数据来自 Layoffs.fyi、RationalFX、公司公告、腾讯新闻、动点科技等公开来源，2026 年 8 月整理时的近似情况，请以公司官方财报为准。

国内互联网大厂这边，公开的数据不像海外那么透明，但从员工端的爆料 + 财报员工数变化 + 公开的岗位调整信息，可以拼出一个大致的轮廓：

• 阿里：员工总数从 2023 年底的 24.3 万，下降到 2025 年底的约 12.8 万，两年砍掉一半。当然这里面包含了银泰、高鑫零售等零售业务剥离，纯人员优化的比例没这么夸张，但绝对量确实巨大。
• 百度：三年减员超过 8000 人，员工总数降到 3.35 万左右。搜索、信息流等传统业务收缩幅度较大。
• 字节：2026 年被曝进行整体规模约 10% 的人员优化，波及今日头条、抖音、飞书等业务线。同时 AI 相关岗位在暴增。
• 腾讯、美团：员工总数仍在增长，属于”精简换血”型，砍传统业务同时补 AI 岗。
• 京东：员工总数最大（超 60 万），但 90% 是物流一线人员，核心产研岗只有 4 到 5 万人。

3.2 三种裁员逻辑：AI 替代 / AI 借口 / 真实收缩

裁员的原因看起来都写着”AI 转型”，但拆开看其实是三种性质完全不同的裁员。分清这三种，对判断”我这个岗位会不会被裁”很关键。

第一种：AI 直接替代。典型是 Cloudflare 那种情况——被裁的岗位主要是数据统计、财务、法务、审计以及中层管理，这些岗位本身就是最容易被 AI Agent 接管的。甲骨文更直接，把这个原因写进了年度财务监管文件：”AI 技术在我们运营中的采用和部署已经导致，且可能继续导致员工人数减少。”

第二种：”AI 洗地”。OpenAI 的 Sam Altman 在 2026 年 2 月的采访里点破过这层——不少企业把”原本既定的组织缩减”包装成”AI 升级带来的人员调整”。这类公司往往 AI 业务落地很浅，只是借着这个说法给资本市场一个交代，同时避免”业绩不佳”的负面标签。识别方法很简单：看它 AI 相关的产品有没有真正上线、有没有营收贡献。

第三种：真实的业务收缩。有些公司确实是业绩不行，AI 只是给了一个体面的理由。像广告、电商、游戏、金融科技这些赛道，本身就在经历竞争加剧和市场饱和，AI 是叠加因素。

3.3 一个反常识规律：越裁员的公司，越在加薪招 AI 人才

这条我第一次注意到是在 2026 年 4 月。当时我在整理数据的时候发现，Meta 一边宣布裁 8000 人，一边把 7000 人调入 AI 相关岗位，同时对外招聘的顶级 AI 研究员整体待遇包开到 500 万美元以上。类似情况在 Intuit、思科、甲骨文都能看到。

这个反常识的规律，可以用一句话概括：科技公司不是在减少人力开支，而是在重新分配人力预算。

原来 100 万美元预算能招 5 个中级工程师，现在同样的预算被砸给 1 个顶级 AI 研究员。从公司角度看，人力开支没变、甚至可能省了，但组织结构完全被重构。

这也解释了为什么”AI 岗位在暴增”和”科技公司在裁员”这两个看似矛盾的事实能同时存在。它们不是矛盾，而是同一个动作的两面：一头挤压中间层和底层，一头膨胀塔尖。

3.4 国内的”精简换血”：为什么不像海外那么大新闻

海外裁员透明得多，主要是因为 WARN Act 等法规要求大规模裁员必须提前通知。国内没有这个强制披露义务，所以裁员通常通过几种方式滚动进行：

• 滚动绩效评估：不签明确的裁员通知，通过绩效末位淘汰逐步优化。
• N+1 或 N+3 协商解除：谈判方式主动离职，避免公开新闻。
• 业务线整体转岗：把整条业务的人员转到其他岗位或子公司，看起来不算裁员。
• 部门整合 + 岗位撤销：合并部门后，被合并方的部分岗位被撤掉。

这几种方式加起来，国内互联网大厂在 2024 到 2026 年这三年的”人员优化”实际规模，可能比对外披露的数字要大得多。但同时，AI 相关的招聘岗位也在快速释放——字节、腾讯、美团等释放近 3 万个岗位，AI 相关职位对比 2024 年暴增 14 倍。

资源百宝箱 的一个建议是：如果你现在在国内互联网大厂的非 AI 业务线，别看着”公司还没裁我”就觉得安全。你要看的是你所在业务线在公司战略里的权重变化。如果权重在往下掉，无论你个人绩效多好，被优化只是时间问题。

3.5 谁在被裁：一张岗位替代风险图

我根据 2026 年的裁员新闻和岗位调整信息，画一张岗位替代风险的分布图，仅供参考：

graph LR
    A[被裁风险] --> H[高风险]
    A --> M[中风险]
    A --> L[低风险]
    A --> V[负风险<br/>反被抢]

    H --> H1[初级数据分析师]
    H --> H2[初级设计师<br/>Banner/UI 重复劳动]
    H --> H3[基础客服<br/>脚本化对话]
    H --> H4[初级前端<br/>静态页面开发]
    H --> H5[基础财务/法务/审计<br/>标准化文档处理]
    H --> H6[SEO 内容运营<br/>批量文章生产]

    M --> M1[中级前后端开发<br/>会用 AI 工具的例外]
    M --> M2[测试工程师<br/>手工回归为主]
    M --> M3[项目经理<br/>沟通型职能]
    M --> M4[BI 分析师]

    L --> L1[资深架构师]
    L --> L2[资深产品经理<br/>业务导向]
    L --> L3[运维/DevOps]
    L --> L4[数据库工程师]

    V --> V1[大模型算法工程师]
    V --> V2[多模态算法工程师]
    V --> V3[AI Infra 架构师]
    V --> V4[Agent 应用开发]
    V --> V5[具身智能算法]

    style H fill:#ffcccc
    style M fill:#ffeecc
    style L fill:#eeffcc
    style V fill:#ccffcc

这张图不是绝对的。同一个岗位在不同公司、不同业务线的处境完全不同。判断你自己岗位的关键，不是看岗位名字，而是看两件事：一是你的工作有没有大量重复劳动，二是你能不能把 AI 变成你的效率倍增器。

四、岗位分化：塔尖 – 中层 – 底层的三层结构

第一节提到 2026 年 AI 就业市场分成三个几乎不重叠的子市场。这一节把这三个子市场分别拆开讲清楚，包括：每一层的典型岗位、准入门槛、待遇水位、天花板。

4.1 塔尖层：AI 科学家 / 大模型研究员 / 首席算法官

准入门槛：一般要求名校博士（清北复交浙 + 海外 TOP 30）+ 顶会一作若干（NeurIPS、ICML、CVPR、ACL 等）+ 3 年以上大模型训练实战。少数硕士背景但有明星项目经历的候选人也能挤进来。

核心工作：定义算法方向、领导训练体系、把控大模型的核心竞争力。他们的产出不是代码行数，而是”能不能拉齐一个百亿到千亿参数模型的完整训练体系”。

待遇水位：这个档位的定价已经完全脱离了传统 IT 参照系。脉脉 2026 春招报告里的 13.28 万月度中位数，只是这一档的入门线。头部候选人的整体待遇包在 500 万到 800 万区间，OpenAI、Anthropic 等海外顶级实验室的顶级研究员整体待遇甚至能到 100 万美元以上——不过要注意，海外公司在国内的招聘通道有限，且境外服务与就业需遵守国内相关的网络与内容管理规定。

天花板：向上就是首席科学家 / CTO / 联合创始人。在 2026 年的大模型创业浪潮里，有相当一部分这个档位的人跳出来创业，拿到数亿人民币的启动资金。

入场时间窗口：这一档的窗口正在快速关闭。它的入场门槛已经拉到了博士级别，2026 年之后想从零开始爬到这一档，至少需要 5 到 8 年时间。

4.2 中层：中高级算法工程师 / AI Infra 工程师 / MLOps 专家

准入门槛：一般要求硕士以上（有 5 年+ 深度学习工程经验的本科也可以）+ 参与过至少一个上过线的中大型 AI 项目 + 熟悉主流深度学习框架（PyTorch、TensorFlow）和分布式训练技术。

核心工作：把塔尖设计的算法工程化落地。这层的人不一定要发论文，但必须能把一个训练好的模型稳定部署到生产环境，处理各种真实世界的问题——数据分布漂移、推理延迟、显存瓶颈、多机通信瓶颈等。

待遇水位：3 到 8 年经验的中层，2026 年在一线城市的整体年度待遇中位数大约在 60 万到 150 万。头部的（比如有过千亿参数模型训练完整经验的）能到 180 万到 250 万。

天花板：向上可以爬到技术专家 / 高级架构师 / 团队负责人，年度待遇往 200 万到 400 万走。也可以横向跳到大模型创业公司拿期权。

当前市场特征：这一档是 2026 年供给最紧张的档位。前面提到的”3 到 8 年经验断层”就在说这里。企业普遍愿意为这层付溢价，但招不到合适的人。如果你现在是 3 到 5 年经验的传统开发者，转向这一档是最有性价比的路径——转型成本不算太高，但薪酬跳跃比留在原岗位大得多。

4.3 底层：AI 应用开发 / 提示词工程师 / 初级算法

准入门槛：本科背景（一部分岗位专科也接受）+ 会用 Python + 熟悉主流大模型 API 调用 + 有 1 到 2 个能拿出手的项目。

核心工作：基于现有大模型能力（不是训练模型，而是调用别人训练好的模型）做应用开发。典型任务是搭建 RAG 系统、开发 Agent 应用、集成大模型能力到业务系统里、做 Prompt 优化等。

待遇水位：应届起薪 1.2 万到 2 万，3 到 5 年经验的中位数在 2.5 万到 3.5 万。这一档的整体待遇水位在过去一年被明显压低——2024 年应届生”会调 API”就能开到 2 万+，2026 年同样的能力只能开到 1.5 万左右。

天花板：这一档的天花板比较低。想突破，需要往上跳到中层——也就是从”会调 API”进阶到”能做模型微调 / 训练 / 部署”。留在这一档不动，5 年后的整体待遇水位大概率就是 4 万到 5 万，很难再往上走。

当前市场特征：这一档 2026 年的核心矛盾是”供给爆炸”。培训机构、高校、自学者都在往这个方向涌，导致门槛在快速下降但供给在快速上升，薪酬溢价被明显压缩。

4.4 分化背后的技术逻辑

三层结构的分化不是自然产生的，它背后有一条清晰的技术逻辑：

大模型能力被封装成 API 之后，”应用”这一层的技术门槛被打平了。 一个非科班转行的开发者，学几个月就能做出能上线的 RAG 系统、Agent 应用。这直接导致底层的供给爆炸。

但”训练”和”Infra”这两层的门槛没有被打平。 训练一个能用的大模型仍然需要极深的数学、算法、系统工程功底。这就是中层和塔尖的稀缺性来源。

用一张简化的图表示：

graph TB
    subgraph 塔尖[塔尖：训练与算法创新]
        T1[能定义训练方案的人<br/>供给极度稀缺<br/>整体待遇 500 万+]
    end
    subgraph 中层[中层：工程化落地]
        M1[能把模型稳定部署到生产的人<br/>供给紧张<br/>整体待遇 60 万到 250 万]
    end
    subgraph 底层[底层：应用开发]
        B1[能基于 API 做应用的人<br/>供给爆炸<br/>整体待遇 25 万到 60 万]
    end
    塔尖 --> 中层
    中层 --> 底层

    style 塔尖 fill:#f9d,stroke:#333
    style 中层 fill:#ff9,stroke:#333
    style 底层 fill:#9cf,stroke:#333

对普通人来说，最有希望的机会不在塔尖（时间不够），也不在底层（供给太多），而在中层。 具体路径下一节讲多模态算法工程师的时候会展开。

五、多模态算法工程师岗位深度拆解

前面反复提到多模态算法工程师薪酬中位数破 80 万，这一节把这个岗位单独拿出来讲清楚：它到底在做什么、需要什么技能、为什么值这个价、怎么切进去。

5.1 多模态到底是什么

先给一个新手能听懂的定义。“多模态”指的是同时处理两种以上不同类型输入的 AI 模型——比如同时处理文字和图片、同时处理文字和语音、同时处理视频和文字、甚至同时处理文字、图片、语音、视频、传感器信号。

举几个已经落地的场景：

• 图文问答：你上传一张图，问它”这张图里有几个人穿红色衣服”，模型能同时理解你的问题（文字）和图片，然后给出答案。
• 视频理解：你给一段监控视频，让模型自动识别”这段视频里有没有人摔倒”，它需要同时处理视觉信息和时间序列信息。
• 人机交互：智能家居里，音箱能同时理解你说的话（语音）和你手势指的方向（视觉），实现更自然的交互。
• 具身智能：机器人在真实环境里工作，同时接收视觉、语音、触觉、位置传感器等多种信号，做出行动决策。

传统的 AI 模型基本上是”单模态”的——NLP 模型只处理文字、CV 模型只处理图像。多模态模型的突破点在于：它把多种类型的信号统一编码到同一个语义空间里，让模型能理解”这张图里的猫”和”文字里的猫”是同一个东西。

5.2 核心技术栈：需要掌握什么

多模态算法工程师的技术栈可以拆成四层。我按重要性排：

第一层：多模态大模型架构。 这是最核心的部分。目前主流的多模态模型架构主要有几类：

# 简化的多模态模型架构伪代码
class MultimodalModel:
    def __init__(self):
# 视觉编码器：把图像变成向量
        self.vision_encoder = VisionTransformer()

# 文本编码器：把文字变成向量
        self.text_encoder = LanguageModel()

# 跨模态融合层：把两种向量对齐到同一个语义空间
        self.cross_modal_fusion = CrossAttentionLayer()

# 输出解码器：根据融合后的向量生成结果
        self.decoder = MultimodalDecoder()

    def forward(self, image, text):
        vision_features = self.vision_encoder(image)
        text_features = self.text_encoder(text)
        fused = self.cross_modal_fusion(vision_features, text_features)
        return self.decoder(fused)

这段代码是我为了讲清楚原理写的简化伪代码，实际工程实现比这复杂得多。真正落地时要处理的问题包括：不同模态的分词、位置编码、注意力机制的效率优化、显存管理、推理加速等等。

第二层：具体的多模态模型家族。 你至少要熟悉这几个：

• CLIP 系列：OpenAI 开源的图文对齐模型，是很多多模态模型的基础组件。（境外开源模型的使用需遵守国内网络与内容管理相关规定。）
• BLIP / BLIP-2：图文理解与生成，Salesforce 开源。
• LLaVA 系列：结合大语言模型的视觉问答模型。
• Qwen-VL 系列：阿里通义千问的多模态版本，国内可用性高。
• GLM-4V 系列：智谱 AI 的多模态大模型，国内工业界落地较多。
• InternVL 系列：上海人工智能实验室开源的多模态模型，国内可用。

第三层：训练与微调技术。 包括预训练、指令微调（SFT）、强化学习对齐（RLHF）、参数高效微调（LoRA、QLoRA、Adapter）等。

第四层：工程化能力。 包括分布式训练框架（DeepSpeed、Megatron-LM、FSDP）、推理框架（vLLM、TensorRT-LLM、TGI）、模型量化（GPTQ、AWQ、INT8/INT4）、服务化部署（K8s + Triton）等。

5.3 落地场景：多模态算法在哪里用

理解为什么这个岗位值钱，最快的方式是看它在哪里创造真实的商业价值。

场景一：智能座舱与自动驾驶。汽车里的智能助手需要同时理解驾驶员的语音、手势、视线方向、路况视觉信息。华为、蔚小理、比亚迪等车企在这块的算法团队都在密集扩招。

场景二：具身智能与机器人。人形机器人、服务机器人、工业机器人的核心大脑就是多模态感知与决策。宇树科技、追觅、越疆等具身智能公司在 2026 年的招聘规模同比增长 15 倍以上，其中多模态算法工程师是最抢手的岗位之一。

场景三：AIGC 视频与图像生成。文生图、文生视频、图生视频这类产品背后都是多模态生成模型。字节的即梦、快手的可灵、阿里的通义万相等产品团队都在扩招多模态算法工程师。

合规提示：AI 生成的图片、视频、声音克隆等内容在国内自媒体平台发布时需要标注为 AI 生成作品，商用素材需取得正版授权，涉及真实人物形象、声音的还需取得肖像权、声音权授权。

场景四：智能座席与客服。金融、电商、政务领域的智能座席系统在向多模态升级——不只是文字对话，还能处理语音、屏幕共享、视频等多种输入。

场景五：医疗影像 + 病历文本联合分析。医疗 AI 从单纯的影像识别升级到”影像 + 病历 + 检验数据”的多模态诊断，是 2026 年医疗 AI 领域最热的方向。

5.4 招聘方看什么：一个通用化的岗位 JD 拆解

我把 2026 年多个大厂多模态算法工程师岗位的 JD（岗位描述）整合成一个通用化模板，看看招聘方到底在筛什么：

【岗位职责】
1. 负责多模态大模型的预训练、微调、对齐与部署
2. 参与图文/视频/语音跨模态理解与生成算法的研发
3. 针对具体业务场景（如XX），设计并优化多模态解决方案
4. 与工程团队合作，把算法落地到生产环境

【岗位要求】
1. 硕士及以上学历，计算机、数学、电子等相关专业
2. 3年以上深度学习工程经验，熟悉 Transformer 架构原理
3. 熟悉主流多模态大模型（CLIP、BLIP、LLaVA、Qwen-VL 等）
4. 精通 PyTorch，有分布式训练经验（DeepSpeed / Megatron-LM）
5. 有至少一个上线的多模态项目经验
6. 顶会论文（CVPR、ICCV、ECCV、NeurIPS、ICML、ACL）加分

【优先条件】
- 有百亿参数以上模型训练经验
- 有 RLHF / DPO 对齐经验
- 熟悉模型推理加速（vLLM、TensorRT-LLM）
- 具身智能 / 智能座舱 / AIGC 相关经验

这个模板里有几个筛人的硬门槛值得单独说：

硬门槛一：Transformer 架构的深度理解。 这里的”熟悉”不是”看过原理图”，而是你能亲手实现一个简化版的多头注意力机制，能解释清楚 QKV 三个矩阵的作用、位置编码的几种方案、以及为什么 RoPE 优于绝对位置编码。

硬门槛二：分布式训练实操。 单卡训练和多卡多机训练完全是两回事。你至少要能独立跑通一次数据并行 + 张量并行 + 流水线并行的混合训练。

硬门槛三：至少一个上线项目。 这是最能拉开候选人差距的地方。上过线意味着你处理过真实世界的数据分布漂移、推理延迟、显存瓶颈等具体问题，不是只在实验室 demo。

5.5 定价逻辑：多模态为什么比 NLP 更贵

前面提到多模态算法工程师的整体待遇中位数在 80 万到 150 万，明显高于 NLP 的 60 万到 120 万。为什么？

原因一：技术栈更宽。 多模态工程师需要同时熟悉 CV 和 NLP 两条线的技术，供给天然更少。

原因二：落地场景更硬。 NLP 的很多应用（比如客服、翻译、摘要）已经被 API 化，边际价值被压缩；多模态的落地场景（具身智能、AIGC、智能座舱）几乎全是硬件 + 算法结合的重资产赛道，企业愿意为差异化算法付溢价。

原因三：训练成本更高。 多模态模型的训练算力需求通常是纯 NLP 模型的 3 到 5 倍。企业愿意花更多钱找有经验的工程师，减少踩坑的时间成本。

原因四：竞争壁垒更深。 一旦你在多模态领域积累了足够深的经验，短期内很难被替代。这种”经验的护城河”会在薪酬上直接反映出来。

作为 资源百宝箱 长期观察这个岗位的一个建议：如果你正在选方向，2026 到 2028 这个窗口，多模态算法比纯 NLP 算法更值得押注。但要清楚一点，进入这个岗位的门槛也比 NLP 高不少，不是短时间就能补齐的。

六、快速消失的岗位：哪些工种在 2026 年被 AI 强替代

第三节的岗位替代风险图给出了一个粗略框架，这一节把”高风险区”的岗位分别拆开说说。因为很多人对”我这个岗位会不会被 AI 替代”这件事的判断，还停留在情绪层面——要么盲目焦虑，要么盲目乐观。

6.1 判断标准：三个客观维度

我判断一个岗位的替代风险，主要看三个维度：

维度一：工作内容的重复度。 如果你 80% 以上的工作是标准化、模板化的重复劳动，替代风险高。反之，如果你的工作有大量需要判断、协商、创新的成分，替代风险低。

维度二：单次任务的容错率。 容错率高的岗位（比如生成营销文案，写错了改一改就行），AI 更容易替代；容错率低的岗位（比如医生开处方、律师起草合同），AI 短期内难以完全替代。

维度三：是否需要跨系统协作。 只在一个系统里工作的岗位（比如 Excel 处理数据），AI 容易替代；需要跨多个系统、多个部门协作的岗位（比如产品经理协调开发、设计、运营），AI 短期内难以替代。

6.2 高替代风险岗位清单

初级数据分析师。这是 2026 年被替代最快的岗位之一。原本”跑数据、做报表、写分析报告”这套流程，现在被 ChatGPT、DeepSeek、Claude 等大模型接管得差不多了。业务方直接自然语言问一句”上季度销售环比”，Agent 就能自动跑 SQL、拉数据、生成图表、写分析结论。

一线业务方越来越倾向于用 AI 工具直接做基础分析，只有涉及复杂业务判断的深度分析才留给分析师。这直接导致初级分析师岗位在国内多家互联网公司被大幅精简。

初级设计师。特别是做 Banner、公众号配图、社交媒体图这类重复性设计的岗位，被文生图工具替代得非常快。Midjourney、Stable Diffusion 系列、即梦、可灵等工具，让”一个懂 Prompt 的运营”就能自己出图，不再需要专门的初级设计师。

基础客服 / 电话销售。脚本化的客户咨询、订单查询、退换货申请这类工作，智能客服已经能处理 80% 以上。国内头部电商、金融、运营商已经在大幅缩减这类岗位。

初级前端 / 静态页面开发。写 HTML/CSS 页面、切图、做 UI 组件这类工作，Cursor、Claude Code、通义灵码等 AI 编程工具的效率提升是几倍到十几倍。一个中级前端配合 AI 工具的产出，能顶三到五个初级前端。

SEO 内容运营 / 批量文章生产。这是”AI 替代 AI”的经典场景——原本 SEO 就靠批量生产内容，现在 AI 大幅提高了内容生产效率，反过来把这类岗位挤压得非常厉害。加上搜索引擎越来越倾向于 AI 生成的答案（GEO 时代），传统 SEO 岗位的价值在快速下滑。

基础财务 / 法务 / 审计。标准化的凭证处理、合同审阅、财务报表分析、审计底稿整理，这些工作 AI 都能干得不错。Cloudflare 那波裁员砍的就是这些岗位。

6.3 中风险岗位：处于”能不能用好 AI”的分水岭

以下岗位的替代风险是中等，但关键是：你能不能主动把 AI 变成你的效率工具。用好了，你就是”用 AI 的人”；用不好，你就是”被 AI 替代的人”。

中级前后端开发。会用 AI 工具的中级开发者，2026 年反而比过去更值钱——一个人能干两到三个人的活。但只会写传统 CRUD、不熟悉 AI 工具的中级开发者，就在被优化的名单上。

测试工程师。手工回归测试、写测试用例这些工作，AI 效率提升非常大。但涉及性能测试、安全测试、自动化测试框架搭建的资深测试工程师，价值反而在提升。

项目经理。会议纪要、需求文档、进度追踪这类事情 AI 都能干。项目经理的核心价值正在从”文档管理”转向”跨团队协调 + 业务判断”，纯执行层的 PM 处境不太乐观。

BI 分析师 / 数据仓库工程师。写 SQL、建数据模型这类基础工作 AI 越来越擅长。但设计企业级数据架构、把数据资产运营化的资深角色，价值反而在提升。

6.4 低替代风险岗位

反过来看几个低风险的岗位，给你一些参照：

• 资深架构师 / 首席工程师：需要综合判断、需要跨系统整合、需要长时间积累的经验，AI 短期难以替代。
• 资深产品经理 / 业务负责人：需要深度业务理解、跨部门协调、市场感觉，AI 短期难以替代。
• 运维 / DevOps / SRE：需要处理复杂系统的稳定性和应急响应，AI 可以辅助但难以完全替代。
• 数据库工程师 / 分布式系统专家：底层系统的设计和优化，需要极深的技术积累。
• 销售 / BD：需要人际关系、需要理解客户潜在需求，AI 短期难以完全替代。

6.5 一句话总结

如果你所在的岗位在”高风险”清单里，别抱侥幸心理——2026 到 2028 这三年就是决定性的窗口。你有两个选择：要么往上跳到”用 AI 的人”（学 AI 应用开发），要么往低风险岗位横向迁移。留在原地不动，大概率会被压缩。

七、转型路径：应届生 & 在职工程师的两条主线

铺垫了这么多，终于到”怎么办”这一节。我把它分成两条主线：应届生怎么切进 AI，和在职工程师怎么从传统开发转到 AI。这两个群体的起点、时间预算、可承受的机会成本完全不同，路径也应该不一样。

7.1 应届生路径：抢 AI 校招 Offer 的技能配置

先说清楚一个前提：应届生的时间窗口是 6 到 12 个月——大三下学期开始准备秋招，大四上学期是秋招黄金期。这个时间盘子决定了你能学多少、能做几个项目、能刷多少题。

7.1.1 优先级排序：什么最先学、什么最后学

我按 2026 年 AI 校招面试的实际考察点，把技能优先级排了一下：

7.1.2 项目怎么做：一个通用化模板

面试官最看重的其实不是你学了多少，而是”你有没有独立完成过一个能上线的项目”。我给一个通用化的项目模板，你可以按这个模板来做自己的项目：

【项目名称】：基于 XX 大模型的 YY 场景应用系统

【项目背景】：
（描述一个真实的痛点，比如"公司内部知识库检索效率低"）

【技术方案】：
1. 数据层：清洗、分块、向量化
2. 模型层：检索模型（如 BGE） + 生成模型（如 Qwen）
3. 服务层：FastAPI + Redis + PostgreSQL
4. 前端：一个简单的对话界面

【核心技术点】：
1. RAG 架构设计（怎么解决幻觉问题）
2. 长文本处理（怎么处理超长文档）
3. 多轮对话（怎么维护对话状态）
4. 推理加速（怎么把响应时间压到 2 秒以内）

【业务价值】：
（用数字说话：处理效率提升 X 倍、准确率从 A% 提升到 B%）

【技术难点与解决方案】：
（讲 2 到 3 个具体的坑和你怎么填的）

这个模板里最容易被忽略但最重要的是”技术难点与解决方案”部分。面试官最想听的就是这个——不是”我实现了什么”，而是”我遇到了什么问题、我怎么解决的、我为什么这么解决”。

7.1.3 简历怎么改：从”我做过 CRUD”到”我做过 Agent”

我看过很多应届生的简历，最常见的问题是把项目写成流水账：”使用 Python 和 FastAPI 开发了一个 XX 系统，实现了 YY 功能”。这种写法在 2026 年基本上进不了 AI 岗的面试。

正确的写法应该是这样：

【项目名】：企业内部知识检索助手（RAG + Agent）

- 使用 BGE-M3 作为检索模型，实现文档的向量化与语义检索
  ⤷ 通过 Reranker 二次重排，将检索准确率从 68% 提升到 84%

- 使用 Qwen2.5-14B 作为生成模型，设计了三种 Prompt 模板
  ⤷ 通过 Few-shot 示例调优，将幻觉率从 23% 降到 7%

- 使用 Milvus 作为向量数据库，设计了三层缓存机制
  ⤷ 将平均响应时间从 4.2 秒压到 1.6 秒，QPS 承载能力翻倍

- 使用 LangGraph 设计多步骤 Agent 工作流
  ⤷ 复杂查询的正确率从单轮的 51% 提升到多轮的 79%

看到区别了吗？每一条都有具体的技术选型 + 具体的数字改进。 数字不一定要真实到小数点，但一定要具体。面试官看到这种简历，第一反应是”这个候选人是真的做过东西”。

7.1.4 一个真实建议：不要迷信培训机构

现在市面上做 AI 培训的机构非常多，价格从几千到几万不等。资源百宝箱@@绿色软件神器站 的一个真实建议是：如果你是名校 + 有基础的应届生，别去；如果你是双非 / 大专 + 零基础的应届生，可以慎重选。

原因很简单：培训机构的核心价值不是教你多少技术（现在开源资料和 AI 工具能覆盖绝大部分内容），而是给你一个”结构化的学习路径 + 项目模板 + 面试辅导”。这个价值对基础扎实的同学不大，对零基础转行的同学有一定意义。

但要警惕两件事：一是别信”包就业”的话术，靠机构包出来的就业往往质量很低；二是别信”零基础三个月拿 30 万 Offer”这种话术，AI 岗的门槛不是三个月能补齐的。

7.2 在职工程师路径：从传统开发到 AI 应用开发

在职工程师转 AI，和应届生完全不是一条路径。你有两个应届生没有的优势：工程经验 + 业务理解。也有两个应届生没有的劣势：时间稀缺 + 家庭负担。

7.2.1 选方向：不要向”塔尖”卷

在职工程师转 AI，最容易犯的错误就是选错方向。 很多人一冲动就想去学”大模型算法工程师”——但这是塔尖岗位，需要的是数学、算法、论文的深度积累，你 3 到 5 年积累的传统开发经验在这里几乎用不上，等于从零开始。

在职工程师最合适的方向是”中层”：AI 应用工程师 / AI Infra / MLOps。 这些方向能把你的传统工程经验直接用上，转型成本最小，转型后的薪酬跳跃反而最大。

具体推荐路径：

7.2.2 时间预算：给自己 3 到 6 个月

在职学习最大的问题是时间不够。我的建议是给自己一个明确的时间盘子——每天下班后 1.5 到 2 小时 + 周末每天 4 到 6 小时，坚持 3 到 6 个月。这个投入强度能带你完成从入门到能做出一个上线项目的完整跨越。

学习路径按周划分：

第 1 到 4 周：Python + 深度学习基础
  · 补齐 Python（如果原来不熟）
  · 学 PyTorch 官方教程
  · 跑通 MNIST、CIFAR-10 等经典任务

第 5 到 8 周：大模型入门
  · 学 Transformer 论文和实现
  · 熟悉 HuggingFace Transformers 库
  · 微调一个小模型（如 Qwen2.5-0.5B）

第 9 到 12 周：应用开发实战
  · 学 LangChain / LlamaIndex
  · 搭建一个 RAG 系统
  · 部署到云服务器

第 13 到 16 周：项目打磨
  · 深化 RAG 系统的技术细节
  · 加入 Agent 能力
  · 写完整的技术文档 + 简历包装

第 17 到 24 周：面试与跳槽
  · 刷 AI 岗常见面试题
  · 模拟面试
  · 投递 + 面试

7.2.3 项目怎么选：从业务出发

在职工程师做项目有一个应届生没有的巨大优势——你熟悉真实业务。用好这个优势，你的项目就能比应届生的通用项目更有竞争力。

举几个思路：

• 你做电商后端 → 做一个”基于大模型的商品推荐 Agent”
• 你做金融后端 → 做一个”基于 RAG 的智能投研助手”
• 你做在线教育 → 做一个”AI 智能助教系统”
• 你做企业内部系统 → 做一个”企业知识库 Agent”

不要做”通用的 AI 聊天机器人”——这种项目太泛，面试官一眼就能看出你没有深度。做一个基于你原来业务领域的 AI 应用，你的领域理解就是你的护城河。

7.2.4 找工作策略：内推 > 外投

在职工程师找 AI 岗最有效的方式不是投简历，而是内推。原因很简单：AI 岗竞争激烈，简历筛人非常严，你的简历如果没有名校 + 顶会 + 大厂经历，纯外投很难到面试环节。

但通过内推的路径就好很多。你现在的同事、前同事、朋友里，大概率有已经转到 AI 岗的人。找他们内推，你的简历能直接送到 HM（招聘经理）手里，而不是被 HR 的机器筛掉。

7.3 一个反直觉的建议：先保住现在的工作

最后给一个反直觉的建议：在你完成技能储备之前，不要冲动裸辞。

2026 年的 AI 就业市场不像 2024 年那样”随便学学就能进”。校招门槛在升、社招要求在升、竞争在加剧。裸辞学 AI 然后 3 到 6 个月找不到工作的案例，我见过太多了。

正确的做法是：保住现有工作作为基本盘，用业余时间完成技能储备和项目积累，等你能拿到面试 Offer 再考虑跳槽。 这样即使转型不成功，你的基本盘也没崩。

作为 资源百宝箱 一个老原创作者的心里话：AI 转型不是一次赌博，而是一次长跑。保住基本盘、稳步推进，才是普通人最合适的策略。

八、决策建议：该不该在 2026 年入行 AI

写到这里，是时候正面回答那个被问了几百遍的问题：“我该不该现在入行 AI？”

我的答案不是简单的”该”或”不该”，而是要看你是谁。下面给三种适合的画像和三种不适合的画像。

8.1 三种适合入行的画像

画像一：应届 / 在读的名校计算机 / 数学专业学生。 你的时间、基础、机会成本都是最好的。2026 年 AI 校招是历史上机会最多的一年，8.7 倍的岗位增速，你不去抓就是浪费。

画像二：3 到 8 年经验的传统开发工程师（Java / Python / Go / 前端）。 你在 2026 年就业市场最尴尬的中间层——留在原地是被优化的重灾区，但转型的话，你的工程经验加上 AI 技术，能站到中层最抢手的档位。3 到 6 个月技能储备的机会成本对你是能承受的。

画像三：转型意愿强烈、有一定编程基础的年轻从业者（比如数据分析师、测试工程师、初级设计师）。 你所在的原岗位替代风险高，主动转 AI 是最明智的选择。

8.2 三种不适合入行的画像

画像一：40 岁以上、家庭负担重、没有编程基础的从业者。 AI 转型的学习曲线陡峭，需要大量时间投入。这个画像最好考虑”用 AI 提升现有工作效率”，而不是”转到 AI 岗”。

画像二：只想追风口、没有真实兴趣的观望者。 只看到 AI 岗待遇好就想入行的人，往往学到一半就放弃了。AI 领域的学习强度非常大，没有真实兴趣是撑不下去的。

画像三：迷信”三个月速成”的零基础转行者。 2024 年可能真的能三个月速成拿 Offer，2026 年基本不可能了。如果你没做好 6 到 12 个月的持续投入准备，别贸然入行。

8.3 时间窗口的判断

一个客观的判断：AI 塔尖的门槛在快速上升，AI 底层的供给在快速爆炸，中层的时间窗口大概还有 2 到 3 年。

也就是说，2026 到 2028 这三年是最后的黄金窗口。过了这个窗口，中层也会像今天的底层一样，被大量供给填满。

如果你要转，越早越好。不要指望等自己”完全准备好”再转——你永远不会完全准备好。

8.4 我自己的选择和踩过的坑

我 资源百宝箱 自己也是从传统技术岗慢慢过渡到现在这条路。回头看，最大的坑不是”学得不够”，而是”选错了方向”。

我踩过的两个坑说给你听：

坑一：一开始想学”大模型训练”。 我以为这是最值钱的方向，就照着论文和网课往这个方向学。学了 3 个月才意识到，我这种非名校 + 没顶会 + 工作了几年的背景，根本没有机会进大模型算法岗。及时调整方向，转到 AI 应用开发和内容创作。

坑二：一开始追求”从零训一个模型”。 我花了很多时间去研究怎么从零训一个 GPT，但这在实际工作里几乎用不上。真正值钱的是”怎么把一个已有的开源模型用到具体业务里”。

如果重来一次，我会把 80% 的时间花在”应用开发 + 业务落地”上，20% 的时间花在”底层原理理解”上。这个比例对绝大多数在职转型者都是合适的。

九、行业观察：往后三年最可能出现的四个趋势

前面讲的都是 2026 年的当下情况。这一节我把视角拉长到 2026 到 2029 这三年，说说我判断最可能出现的趋势。这些判断不是水晶球，但可以帮你在做决策时多一个参照系。

9.1 趋势一：Agent 工程化的全面爆发

2025 到 2026 年是 Agent 概念的验证期，2027 到 2028 年会进入大规模工程化落地期。

信号已经很明显了：脉脉 2026 春招报告里，Agent 相关岗位在 AI 类别中的占比从 2025 年的 8% 上升到 2026 年的 23%。字节、阿里、腾讯、美团、拼多多的 AI 团队都在密集补 Agent 工程师。

对个人的意义：如果你正在选方向，Agent 工程化是 2026 到 2028 年最确定性的红利方向。 它对数学、算法的要求不高，但对工程能力、业务理解、系统设计的要求非常高——这些正好是在职工程师的强项。

9.2 趋势二：具身智能的岗位红利

具身智能（人形机器人、服务机器人、工业机器人的软硬件系统）是 2026 年被讨论最多的方向。脉脉数据显示这个领域的岗位量同比涨了 15 倍。

这个红利能持续多久？ 我的判断是至少到 2028 到 2029 年。因为具身智能的落地涉及硬件、算法、场景、供应链四个维度的深度整合，不是短期能填满的坑。宇树、追觅、越疆、智元、傅利叶等国内头部具身智能公司都在加速扩张。

入行门槛：这个方向对多模态算法、强化学习、机器人控制的复合能力要求很高。纯软件背景的同学，最好通过多模态算法或者机器人视觉切入。

9.3 趋势三：AI Infra 的战略地位提升

前面几节反复提到 AI Infra 的重要性，这里再展开说一下。

AI Infra 简单说就是”支撑 AI 训练和推理的基础设施”——包括算力调度、分布式训练框架、推理加速、模型部署、服务化架构等。这个方向的岗位有几个特点：

• 供给最紧张：脉脉数据显示高性能计算工程师的人才供需比骤降至 0.26，意思是”4 个岗位抢 1 个人”。
• 薪酬跳跃最大：从中级到资深的薪酬跳跃能到 3 倍以上。
• 可迁移性最强：AI Infra 的技能可以从大模型公司迁移到自动驾驶、具身智能、金融科技等多个赛道。

为什么会持续紧张：AI 训练和推理的算力规模在指数级增长，但能设计和运维这套系统的人才培养周期非常长（一般需要 5 到 8 年）。这个供需缺口在未来 3 年很难填平。

9.4 趋势四：复合型人才的溢价加剧

最后一个趋势可能是最反直觉的：“专精 AI 算法”的溢价在下降，”AI + 行业深度”的溢价在上升。

原因不复杂：AI 算法本身的技术差距在缩小（开源模型能力越来越强），但”把 AI 用到具体行业里”这件事的差距在拉大。医疗 + AI、金融 + AI、法律 + AI、教育 + AI、制造 + AI……这些复合型岗位在 2026 年的薪酬溢价明显高于纯 AI 岗。

对个人的启发：如果你原来有某个行业的深厚积累，别急着扔掉。把你的行业经验和 AI 能力结合起来，你的稀缺性会远高于纯 AI 工程师。

资源百宝箱@@绿色软件神器站 长期观察下来的一个规律是：技术这条路，”垂直深耕 + 横向结合”永远比”追风口”更持久。

十、写在最后：给正在纠结的你几句实话

写这篇文章的过程里，我一直在想一个问题——这些数字和分析对普通人到底意味着什么？

意味着 AI 就业市场很热吗？对，但只有塔尖真的热。意味着 AI 就业市场很卷吗？对，但只有底层真的卷。意味着传统 IT 完了吗？也不完全对——转型的人正在拿到更好的机会。

真实的情况是：这是一个正在经历剧烈重构的市场，每个人都需要重新校准自己的位置。

如果你现在在观望，我想说的是：观望本身也是一种成本。2026 年之后，AI 领域的门槛只会越来越高，供给只会越来越多。你现在不行动，等两年再动，机会窗口就窄很多了。

如果你已经在行动，我想说的是：别信”三个月速成”的鬼话，也别信”AI 完全没门槛”的话。这条路需要真金白银的时间投入，需要至少半年到一年的持续学习。但只要你愿意扎实走，是有机会的。

普通人在这个时代最大的优势，不是天赋、不是学历，是”持续行动的能力”。 我 资源百宝箱@@绿色软件神器站 一路写博客、做技术分享，也是这么熬过来的。

如果这篇文章帮你厘清了一些思路，那就够了。剩下的路，还得你自己走。

个人学习实践总结声明

本文是我（资源百宝箱@@绿色软件神器站）基于个人对 AI 就业市场的长期观察、公开数据的交叉分析以及与从业者的交流整理而成的方法论总结，文中观点、案例、数字均为通用化处理或来自公开报告的近似值，仅用于学习交流，不构成任何求职、投资、创业或职业规划的具体建议。文中涉及的岗位薪酬、招聘趋势、公司裁员情况、AI 岗位技能要求、行业趋势判断等会随市场变化而快速调整，本文数据为写稿时（2026 年 8 月）的近似情况，请务必以脉脉、前程无忧、猎聘、Layoffs.fyi、各企业官方招聘页面等实时数据为准。涉及境外 AI 服务、开源模型使用需遵守国内网络与内容管理相关规定；涉及 AI 生成的图片、视频、声音克隆等内容在国内平台发布时需按平台规则标注 AI 生成，商用素材需取得正版授权。行业数据、平台规则动态变化，任何决策请结合个人实际情况谨慎判断。

转载请注明出处：本文由 资源百宝箱@@绿色软件神器站（www.lsrjsqz.com）撰写。