岗位 JD 反向拆解与投递矩阵¶

核心目标：把“我想找 AI 好工作”拆成一套可执行的动作，而不是泛泛地刷题、投简历、碰运气。

为什么必须做 JD 反向拆解¶

同样是“AI 算法岗”，不同团队要的其实是不同的人：

有的要 LLM/Agent 应用落地
有的要 推理服务 / AI Infra
有的要 多模态 / CV / 3D
有的要 研究论文 + 工程实现

如果不先拆 JD ，你会出现 4 个典型问题：

学得很广，但没有一条线真正达到可面试深度。
项目很多，但没有任何一个项目能匹配目标岗位的硬要求。
简历写得很努力，但投递命中率低。
面试时被追问到具体指标、系统设计、评测方式就断掉。

一、JD 反向拆解的 5 步法¶

这 5 步的目的是把“看了很多 JD 很焦虑”变成“我知道自己该补什么、该投什么”。

1. 收集目标岗位，不超过 12 个¶

不要一开始收 100 个 JD。
先收你最可能投的 8-12 个，覆盖 3 类岗位即可：

主投岗位：你最想去、也最匹配的方向
同类备选：能力栈相近，可横向扩展的岗位
保底岗位：方向一致，但门槛略低、命中率更高

对你而言，优先建议：

LLM/Agent 工程化
AI 系统 / 推理服务 / AI Infra
若明确冲大疆/影石，再加 多模态 / 端侧 / 3D 视觉

2. 把 JD 拆成 4 类要求¶

每份 JD 都拆成：

类别	典型内容	是否必须
硬性要求	学历、语言、框架、论文、实习、平台经验	通常必须
隐性要求	系统设计、工程化、沟通、业务理解	经常决定是否通过
亮点要求	顶会、开源、复杂项目、GPU/Infra 经验	决定上限
风险项	方向不匹配、项目不对口、缺少结果指标	决定淘汰速度

3. 抽取高频关键词¶

看 8-12 份 JD 后，做词频统计。
如果某个词在 40% 以上 JD 出现，它就不该被你视为“可选项”。

示例：

Text Only

高频词示例：
PyTorch / Transformer / RAG / Agent / vLLM / FastAPI / Docker / K8s
评测 / A/B 测试 / 可观测性 / 推理优化 / 多模态 / TensorRT / C++

4. 形成“能力缺口表”¶

把每个高频要求映射成 4 个状态：

已具备
已学但无证据
知道概念但不会做
完全缺失

真正影响求职结果的，通常是第二类和第三类。
因为这两类最容易让你误以为“我会”，但一到面试就暴露。

5. 生成投递矩阵¶

最终产物不是“我懂了”，而是一张表：

哪些岗位主投
哪些岗位需要补什么
哪些岗位暂时不投
哪个项目对应哪类岗位
什么时候达到可投状态

二、你最适合的岗位族群¶

这不是市场全景图，而是根据你的背景、教程库现状和未来岗位密度筛出来的重点战区。

2.1 主投：LLM / Agent 工程化岗位¶

典型关键词：

RAG
Agent
Prompt / Context Engineering
评测体系
工程化部署
安全与可观测性

通常要求：

能独立做一个可运行的 LLM 应用或 Agent 系统
知道如何做评测，而不是只展示 Demo
懂上线、日志、缓存、限流、灰度、回滚

站内对应模块：

2.2 主投：AI 系统 / 推理服务 / AI Infra 岗位¶

典型关键词：

推理服务
vLLM / TensorRT / Triton
PagedAttention
Continuous Batching
KV Cache
GPU 利用率
成本优化
可观测性 / SLO

通常要求：

既懂模型，又懂系统
能做吞吐、延迟、显存、成本之间的权衡
能讲清上线策略与事故处理

站内对应模块：

2.3 条件主投：多模态 / 端侧 / 3D 视觉岗位¶

只在你明确押注大疆、影石或相关团队时提高优先级。

典型关键词：

多模态
目标检测 / 分割 / 位姿估计
SLAM / VIO
NeRF / 3DGS / 3D 重建
C++ / TensorRT / 边缘部署

站内对应模块：

三、岗位要求到教程模块的映射表¶

岗位能力	典型 JD 表述	站内模块	你最终要拿出的证据
LLM 应用开发	熟悉 RAG / Agent / Prompt / 工具调用	`LLM应用`、`AI Agent开发实战`	1 个带评测和回滚方案的项目
LLM 评测	熟悉 LLM-as-Judge / RAGAS / 红队测试	`MLOps与AI工程化`、`测试与质量保证`	评测报告 + Bad Case 表
推理优化	熟悉 vLLM / KV Cache / 批处理 / 量化	`模型优化`、`AI系统设计面试`	benchmark 表 + 成本测算
可靠性	有监控、可观测性、灰度经验	`MLOps与AI工程化`、`AI系统设计面试`	SLO 文档 + 告警与回滚设计
系统设计	有高并发、低延迟、架构设计能力	`系统设计`、`AI系统设计面试`	架构图 + trade-off 说明
多模态 / CV	熟悉检测、分割、3D 或端侧部署	`计算机视觉`、`模型优化`	精度/速度/部署结果
理论与研究	有论文阅读、实验设计、理论基础	`机器学习`、`科研方法与论文写作`	论文复现/实验报告/投稿成果

四、投递矩阵怎么做¶

投递矩阵不是一张漂亮表格，而是你决定哪些岗位立刻投、哪些岗位先补证据的操作面板。

4.1 最小可用表格¶

Markdown

| 公司/团队 | 岗位 | 主投/备选 | 匹配度 | 当前缺口 | 对应项目 | 截止时间 | 状态 |
|-----------|------|-----------|--------|----------|----------|----------|------|
| 腾讯混元/AI Infra | AI 系统/推理优化 | 主投 | 高 | 缺 SLO 叙事 | 推理服务项目 | 2027-07 | 准备中 |
| 字节豆包/AI 工程 | Agent 工程化 | 主投 | 高 | 缺 A/B 实验 | Agent 项目 | 2027-07 | 准备中 |
| 阿里云 AI Infra | 推理服务 | 备选 | 中高 | 缺训练平台视角 | 推理/平台项目 | 2027-07 | 准备中 |
| 大疆 | 边缘 AI / CV | 条件主投 | 中 | 缺 C++ + SLAM 实战 | 端侧视觉项目 | 2027-09 | 观察中 |

4.2 匹配度评分法¶

五、给你的建议版投递矩阵¶

这一版矩阵是当前时间点的建议起点，后面应随项目进展和 JD 变化持续迭代。

A 类：主投¶

方向	原因	当前动作
LLM / Agent 工程化	岗位多、与你教程体系和项目沉淀最匹配	做一个带评测、日志、回滚的完整项目
AI 系统 / 推理优化 / AI Infra	薪资上限高、抗替代性强、与导师交叉方向兼容	做 benchmark、成本、SLO、事故复盘

B 类：次主投¶

方向	原因	当前动作
多模态 AI	与腾讯、字节、阿里等多团队兼容	准备多模态项目和系统设计故事
RAG / 企业 AI 应用	面广、容易形成交付型项目	强化评测和业务价值叙事

C 类：条件投递¶

方向	条件	当前动作
大疆边缘 AI / CV	你愿意提高 C++ / SLAM / 端侧比重	加做端侧与视觉项目
影石 3D / 视频理解	你愿意加做 3D 视觉和视频项目	加做 3DGS / NeRF / 视频理解链路

六、面试官会怎么用 JD 来卡你¶

场景 1：JD 写“熟悉 RAG / Agent 评测”¶

面试官真实想问的是：

你怎么定义效果变好？
你的 baseline 是什么？
你如何做 bad case 分类？
离线和在线指标如何配合？

场景 2：JD 写“熟悉推理服务优化”¶

真实问题：

你优化的是吞吐、延迟、显存还是成本？
你怎么测？
为什么不用别的方案？
线上出了问题怎么回滚？

场景 3：JD 写“具备系统设计能力”¶

真实问题：

你能不能把组件讲清楚？
你是否知道容量估算和故障点？
你能不能说出监控指标和发布策略？

所以，JD 反向拆解的本质不是“看岗位介绍”，而是提前猜到面试官会怎么验证你。

七、30 天执行法¶

第 1 周¶

收集 8-12 份目标 JD
做高频词统计
做第一版能力缺口表

第 2 周¶

把 3 个主项目分别映射到不同岗位
为每个项目补齐指标、架构图、失败案例

第 3 周¶

形成第一版投递矩阵
开始按“主投 / 备选 / 条件投递”三层分类

第 4 周¶

把矩阵转成简历定制策略
把每条经历改写成与目标岗位直接对应的话术

八、自检清单¶

我知道自己要投哪 2 类主岗位
我不是靠感觉，而是靠 8-12 份 JD 做判断
我有一张持续更新的投递矩阵
我知道每个项目对应哪些岗位
我知道自己当前最大的 3 个缺口是什么
我知道下一步补的是知识、证据，还是面试表达

结论¶

高质量求职不是“先学完再投”，而是从目标岗位倒推学习、项目和表达。
JD -> 能力 -> 项目 -> 证据 -> 简历 -> 面试 这条链一旦建立起来，你的学习效率和投递命中率都会高很多。