过去谈到人工智能行业，人们最先想到的往往是算法工程师：训练模型、调整参数、发表论文。到了生成式AI和智能体快速落地的阶段，情况已经发生变化。企业并不只需要“把模型造出来”的人，还需要有人把模型接进业务、维持稳定运行、衡量效果，并控制随之而来的安全与合规风险。
因此，一批带有明显AI时代特征的职业正在形成。它们有些是全新的岗位，有些则由软件开发、运维、产品、安全和咨询等传统职业重新组合而来。
从算法岗位走向完整的AI交付链
世界经济论坛在《Future of Jobs Report 2025》中，将大数据专家、AI与机器学习专家、软件及应用开发者列为增长最快的一批岗位。报告同时指出，AI与大数据、网络与网络安全、技术素养将成为增长最快的技能方向之一。
但“AI岗位增长”并不等于所有人都要去训练大模型。真正进入企业以后，一套AI系统至少要经历四个环节：
- 把模型能力做成用户真正能使用的产品；
- 让模型和应用能够稳定、低成本地运行；
- 把系统接入企业原有的数据、权限和工作流程；
- 管理安全、隐私、合规以及模型失控风险。
对应到职业市场，可以形成下面这张四层版图。
一、把AI做成产品的人
AI应用工程师
AI应用工程师的任务，是利用现有大模型开发真正可用的软件。企业知识库、智能客服、合同审阅、医学文献助手、代码助手和数据分析助手，都属于这一范围。
这个岗位通常不要求从零训练基础模型，但需要熟悉Python或TypeScript、后端API、数据库、RAG、向量检索、工具调用和基础云原生技术。更重要的是，它必须处理传统演示程序经常忽略的问题：权限、缓存、失败重试、结构化输出、幻觉、响应延迟和调用成本。
它是传统后端或全栈工程师进入AI领域最直接的入口之一。
Agent工程师
如果说普通AI应用主要解决“回答问题”，Agent工程师解决的则是“完成任务”。
一个Agent可能需要读取邮件、查询数据库、调用企业API、生成文件、发送消息，甚至根据执行结果修改下一步计划。工程师不仅要实现工具调用和任务编排，还要设计权限隔离、审批门、人工接管、失败恢复和执行审计。
这类工作的难点并不在于写出一句漂亮的Prompt，而在于管理一个非确定性系统：它偶尔成功远远不够，必须能够重复执行、发现错误、解释过程并安全回滚。
Anthropic公开的GTM AI Engineering岗位就是一个典型案例：工程师要构建端到端业务Agent，同时负责人工监督、评测框架、生产可观测性、MCP服务以及业务回报衡量。
AI产品经理
AI产品经理不是简单地在传统产品里加一个聊天窗口，而是要围绕模型的不确定性重新设计产品。
他需要回答一系列传统产品经理较少面对的问题：哪些步骤可以交给模型？哪些步骤必须使用确定性规则？什么时候要求人工确认？怎样向用户展示引用、置信度和可能的错误？当模型质量、延迟和成本互相冲突时，如何取舍？
Google的AI原生产品经理职位要求中，已经包含基础模型和Agent产品经验、非确定性系统评测、准确率与推理成本权衡、幻觉缓解以及人类反馈闭环。这说明AI产品经理正在变成一个技术含量更高的岗位。
二、让AI稳定运行的人
LLMOps / AI平台工程师
LLMOps可以理解为“DevOps/SRE加上模型服务和AI质量治理”。
他们负责建设统一模型网关，管理多模型路由、限流、缓存、灰度发布、故障切换和私有模型部署；同时还要统计Token成本、监控响应质量、管理Prompt和数据集版本，并处理密钥、权限、脱敏和审计。
传统运维主要关心服务是否在线、CPU和内存是否正常。LLMOps除此之外，还必须关注模型回答是否退化、RAG知识是否过期、Prompt更新是否引发回归，以及推理费用为什么突然上涨。
对于已经具备Linux、Docker、Kubernetes、监控和网络经验的人来说，这是技能复用率很高的AI转型方向。
推理优化工程师
推理优化工程师负责让大模型跑得更快、更便宜，并支持更高并发。
他们研究模型量化、KV Cache、批处理、张量并行、GPU显存、CUDA Kernel、网络通信和任务调度。OpenAI的相关岗位会同时分析应用、模型和计算集群，寻找延迟、吞吐、容量、利用率与服务成本之间的最佳平衡。
这类岗位数量可能不如AI应用工程师多，但门槛较高，通常需要分布式系统、PyTorch、CUDA、GPU架构或高性能计算经验，因此也具有较强的技术壁垒。
AI评测工程师
AI评测工程师负责定义“模型到底好不好”。
传统软件测试经常面对确定结果：输入A，就应该得到B。大模型输出具有随机性，同一个答案还可能在事实正确性、表达质量、安全性和任务完成度之间出现复杂差异。因此，AI评测需要建立黄金数据集、评分规则、自动评测流水线和人工校准机制。
典型指标包括任务完成率、工具调用成功率、幻觉率、引用准确率、人工接管率、响应延迟和单任务成本。线上出现的失败案例还要被重新加入测试集，形成持续改进闭环。
OpenAI的Applied Evals岗位将这项工作描述为：把真实工作流转化为明确、可重复的质量信号，再将信号接回产品和模型改进过程。未来，AI评测很可能像今天的软件测试一样，成为AI团队的标准配置。
三、把AI接进企业的人
前沿部署工程师：FDE
Forward Deployed Engineer通常被翻译为“前沿部署工程师”。它位于软件工程、解决方案架构、产品和咨询的交界处。
FDE不会只在办公室里写一套通用产品，然后交给客户使用。他们会直接进入客户场景，理解业务问题、确定技术范围、设计系统、编写代码、完成上线，并继续推动用户采用。OpenAI对FDE的定义，就是与战略客户一起完成前沿模型的端到端生产部署，并以生产采用率、业务流程影响和评测反馈衡量成果。
这个岗位很像一名拥有工程能力的“客户现场CTO”：既要能写生产代码，也要能和业务负责人沟通，还要在需求模糊、时间紧张的环境下做出取舍。
AI解决方案架构师
AI解决方案架构师同样面向客户，但通常更侧重需求分析、架构设计、技术选型、PoC和决策沟通。FDE则更强调亲自参与开发、长期贴近客户，以及对最终上线和采用结果负责。
在大型企业中，两者分工可能比较明确；在创业公司或小型交付团队中，一个人可能同时承担两种角色。
行业AI专家
行业AI专家可能来自医药、金融、制造、法律、供应链等领域。他们的核心价值不是单纯“懂行业”，也不是单纯“会用模型”，而是能够把行业隐性知识转化成数据、规则、工具和评测标准。
例如在医药领域，他需要知道哪些资料可以用于模型、怎样验证医学结论、哪些错误会产生严重后果，以及哪些决定必须由专业人员确认。行业壁垒越高、错误成本越大，这类复合型人才越难被通用AI工程师替代。
四、管理AI风险的人
AI红队 / AI安全工程师
AI红队会主动攻击模型和Agent，寻找提示注入、越权调用、敏感数据泄漏、知识库投毒、恶意文件注入和危险工具执行等问题。
微软AI Red Team的公开岗位要求测试前沿模型和Copilot类产品，发现生成式AI安全漏洞，并推动产品团队在正式发布前完成缓解。这项工作既包含传统Web、云和供应链安全，也包括模型特有的对抗测试。
因此，真正的AI红队并不是研究几个“越狱提示词”，而是对模型、应用、数据、权限和基础设施进行完整的系统级攻防。
AI治理与模型风险专家
当企业开始大规模使用AI，就需要知道组织内部有哪些AI系统、使用了什么数据、由谁负责，以及出现问题后如何追踪。
AI治理人员负责建立AI资产清单、风险分级、供应商评估、上线审批、持续监控、事故响应和审计证据。他们还要处理隐私、版权、偏见、可解释性以及行业监管要求。
NIST的AI风险管理框架强调，要在AI产品和服务的设计、开发、使用和评估全生命周期中纳入可信性。金融、医疗、医药和政府等高风险行业，尤其需要既懂技术又懂监管的复合型人才。
AI安全、对齐与可解释性研究工程师
这类岗位研究更加底层的问题：模型为什么会产生某种行为，怎样发现隐藏的危险能力，如何监督能力越来越强的系统，以及怎样让模型更加可控和可解释。
常见方向包括机械可解释性、可扩展监督、模型行为、安全护栏、AI控制，以及生物和网络安全风险。岗位通常要求扎实的机器学习、实验设计、数学或安全研究能力，但工程执行、独立项目和开源成果同样重要。
“提示词工程师”会成为长期职业吗？
提示词当然重要，但“只负责写Prompt”的独立职位未必会长期存在。
更可能发生的情况是，Prompt逐渐变成产品、开发、测试、运营人员的基础技能，就像今天人人都要会使用搜索引擎和电子表格。真正具备长期价值的岗位，通常还要负责数据、评测、系统集成、安全控制或业务结果。
基础数据标注也面临类似问题。简单重复的标注容易被自动化和外包压缩，但专业领域标注、偏好数据设计、红队数据构造、评测集设计和数据质量管理仍然具有较高价值。
普通技术人员怎样选择方向
选择职业时，不妨先问自己希望对什么结果负责：
- 希望对客户业务结果负责，可以考虑FDE、解决方案架构师和行业AI专家；
- 希望把功能真正做出来，可以考虑AI应用工程师和Agent工程师；
- 希望系统稳定、低成本运行，可以考虑LLMOps和推理优化；
- 希望判断模型是否可靠，可以考虑AI评测；
- 希望寻找攻击面并控制风险，可以考虑AI红队和AI治理。
最有效的学习方式，不是围绕某个时髦职位名称堆积课程，而是亲手完成一条交付链：
- 用Python和FastAPI开发一个带工具调用的Agent；
- 接入身份系统、数据库、文件和消息平台；
- 增加RAG、权限过滤、人工审批和审计日志；
- 建立一套黄金测试集和自动回归评测；
- 使用Docker部署，监控延迟、错误率、Token和成本；
- 测试提示注入、越权和数据泄漏；
- 最后写出架构图、风险清单、SLA和业务收益。
能够展示这样一套完整系统，比简历上写着“熟悉ChatGPT、擅长Prompt Engineering”更有说服力。
结语
AI时代真正增加的，不只是几个带有“AI”前缀的新职位，而是一种新的职业分工：有人负责能力，有人负责产品，有人负责交付，有人负责稳定性，还有人负责评估和风险。
未来最稀缺的，未必是最会背模型原理的人，而是那些能够把技术、业务、可靠性与责任连接起来，让AI在真实世界中持续创造价值的人。
参考资料
- OpenAI：Forward Deployed Engineer
- World Economic Forum：The Future of Jobs Report 2025
- OpenAI：Software Engineer, Applied Evals
- OpenAI：Inference Performance Optimization
- Microsoft：AI Red Team Security Researcher
- NIST：AI Risk Management Framework
- Google：AI-Native Product Manager
- Anthropic：GTM AI Engineering