参与大语言模型（LLM）开发，而不是简单调用API做应用，那么岗位大致分成5条路线，每条路线需要的技能差异很大。

1. LLM应用工程师（最容易进入）

这是目前招聘最多的岗位。

主要工作：

• 调用模型API
• Agent开发
• RAG知识库
• Prompt Engineering
• 工作流编排
• MCP工具调用
• 企业AI应用开发

典型技术栈：

• Python
• FastAPI
• LangChain
• LangGraph
• LlamaIndex
• MCP
• 向量数据库

例如：

• LangChain
• LlamaIndex

需要掌握：

Python REST API 数据库 向量数据库 Embedding RAG Agent Prompt 部署

数学要求：

低

很多公司实际上招的就是这个。

2. Agent工程师（非常适合你）

未来两年需求可能增长最快。

工作内容：

• 多智能体系统
• Agent规划
• Tool Use
• Memory
• 长任务执行
• 工作流优化

例如：

AutoGPT OpenManus DeepResearch Claude Code Cursor Agent

核心知识：

强化学习

你已经有基础。

包括：

• MDP
• POMDP
• 策略优化
• 多智能体协同

规划算法

A* MCTS GOAP HTN

世界模型

你最近聊的人胚概念其实和这个方向很接近。

相关领域：

Yann LeCun 提出的世界模型路线。

3. LLM算法工程师（门槛高）

这是真正训练模型的人。

主要工作：

• 预训练
• 微调
• RLHF
• Alignment
• 模型优化

需要：

数学

• 线性代数
• 概率论
• 信息论
• 优化理论

深度学习

• Transformer
• Attention
• Position Encoding
• MoE

例如：

Transformer

核心论文：

Attention Is All You Need

4. 大模型基础设施工程师

很多人忽略这一块。

工作内容：

• 分布式训练
• 推理加速
• GPU集群
• KV Cache
• 推理服务

技术栈：

CUDA PyTorch NCCL DeepSpeed vLLM TensorRT

例如：

• PyTorch
• vLLM

这个方向工资通常很高。

因为懂GPU的人很少。

5. LLM研究员（最难）

这类岗位一般出现在：

• OpenAI
• Anthropic
• Google DeepMind
• Meta AI

工作内容：

研究：

• 推理能力
• 长上下文
• 世界模型
• Agent
• RLVR
• Alignment

要求：

顶会论文 科研能力 数学能力 代码能力

通常博士居多。

如果你只有6个月时间来学

我建议按下面顺序学习：

第一阶段（1个月）

掌握：

• Python高级开发
• PyTorch

推荐：

PyTorch Tutorials

第二阶段（2个月）

掌握：

• Transformer
• Attention
• LLM原理

重点复现：

nanoGPT

你会第一次真正看懂模型训练。

第三阶段（2个月）

掌握：

• RAG
• Agent
• MCP
• LangGraph

做项目

第四阶段（1个月）

阅读：

• ReAct
• Toolformer
• Voyager
• Deep Research
• OpenAI Agent论文

做多Agent系统