晚上十点半，技术负责人把JD退回来了。理由只有一句：“Python、深度学习、大模型都写了，可这个人进来到底要解决什么？”

这句话挺扎心，却说中了不少人工智能研发岗JD的问题：技术名词很多，岗位本身反而看不见。候选人能看出企业跟上了热点，却判断不了这是研究岗、算法岗，还是要把模型真正做进产品的工程岗。

我后来越来越觉得，写AI岗位最难的不是懂多少缩写，而是敢不敢把企业目前做不到的事写出来。

同样叫“人工智能研发”，工作重心可能完全不同。基础研究更看重新模型、新方法与实验验证；算法研发关注特定任务的效果提升；应用研发则要处理RAG、Agent、推理服务、数据链路和产品接入。三种方向都重要，但不能揉成一个“全能岗”。

最简单的判断方式，是让业务负责人补完这句话：我们招这个人，是因为现在的团队还无法____。如果答案是“没有人研究模型架构”，岗位偏研究；如果是“模型效果不稳定”，岗位偏算法；如果是“Demo很多、上线很少”，岗位更偏工程化和场景落地。

打开网易新闻 查看精彩图片

面试前先统一岗位坐标，技术负责人和HR才不会各问各的。

问题｜模型要解决哪个业务场景？是知识库问答、推荐、视觉检测，还是智能体流程？

交付｜入职90天和6个月分别要看到什么？可以是评测体系、可复现实验、线上服务或业务验证，但要能检查。

资源｜现有数据规模、标注质量、算力环境和工程团队是什么情况？只写“有充足资源”没有意义。

边界｜这个人负责研究、训练、部署中的哪几段？模型效果、系统稳定性和业务指标分别由谁承担？

我见过一类很典型的需求：一家做企业知识服务的软件公司，原稿写着“熟悉大模型、RAG、Agent，具备优秀的工程能力”。技术团队觉得已经很具体，候选人看完却还是会问：知识库现在做到哪一步？难点是召回、生成质量，还是系统延迟？

后来岗位被重新说清楚：入职后先梳理现有问答链路和离线评测集，90天内完成关键问题基线与首轮优化；随后与后端、产品一起推进灰度验证。没有承诺夸张的准确率，也没有把所有AI方向都塞进去，但能做这件事的人一眼就知道自己要面对什么。

岗位使命｜围绕[具体业务场景]建设可评测、可迭代的人工智能能力，解决[当前核心问题]。

前三个月｜完成数据与技术链路诊断，建立[核心任务]基线、评测集和首轮可复现实验。

核心任务｜负责[研究/训练/评测/部署]中的明确环节，并与产品、后端及数据团队完成验证。

任职证据｜请候选人讲清一个项目中的数据条件、本人决策、评测方法、失败尝试和最终结果。

加分项｜与企业场景直接相关的论文、开源贡献、工程化或行业经验；没有必要的技术名词不要堆。

把技术名词遮住之后，候选人还能看懂公司希望他解决什么吗？如果不能，这份JD还没真正写完。