发帖
雷达卡
在2025年，人工智能技术飞速演进，计算机类本科专业的选择早已超越“学会编程”的基础范畴。面对岗位需求快速更迭的现实环境，如何科学规划专业方向成为关键议题。计算机科学与技术学院开设的六大核心专业各具特色：从注重系统底层能力培养的
计算机科学与技术，到强调工程实践落地的软件工程；从面向万物互联场景的物联网工程，到融合艺术表达与数字技术的数字媒体技术；再到聚焦数据智能分析的大数据技术以及致力于网络安全防护的网络工程——每一条路径都具备清晰的发展定位。
然而，在算法岗位“高门槛、强内卷”与AI应用开发“新蓝海”并存的就业格局下，学生需结合个人兴趣、能力特长及行业发展趋势，做出兼具前瞻性与可行性的决策。本文将基于最新课程设置、岗位能力模型以及一线就业反馈，为2025级本科生提供一份具有战略视角和实操指导意义的专业选择参考。（持续更新中）
AI相关岗位就业现状调研综述
（数据来源：小红书、知乎等平台从业者真实分享）
尽管当前AI热潮不断升温，AI相关岗位看似机会众多，但实际就业市场呈现出显著的“两极分化”特征：高端研发岗位稀缺且门槛极高，而初级岗位则趋于饱和，成长空间受限。以下结合多位从业者的经验，对主流AI岗位进行梳理与分析。
1. 算法工程师：理想丰满，现实骨感
算法工程师曾是众多计算机学子梦寐以求的职业方向，尤其在大模型（Large Language Models, LLMs）爆发后热度飙升。但实际情况却远比想象复杂：
- 高端岗位极度稀缺：真正从事大模型底层架构设计或原创性算法研究的职位数量极少，主要集中于头部科技企业（如字节跳动、阿里、腾讯、百度、Meta、Google）或顶尖AI实验室。
- 学历与背景要求严苛：多数核心岗位明确要求博士学历，或拥有顶会论文（NeurIPS、ICML、CVPR、ACL等）第一作者经历，以及ACM/ICPC等高水平竞赛获奖记录。
- 初级岗位内容重复性强：大量所谓“算法岗”实际工作集中在数据清洗、特征提取、参数调优和实验跑通等环节，被业内戏称为“高级数据标注员”或“调包工程师”，难以触及核心模型研发，技术成就感较低。
[此处为图片1]
引用来源：《为什么AI大爆发，学AI的就业反而变差了》——小红书 @进击的阿德
不过也有反馈指出，一旦进入核心算法团队，工作节奏相对宽松，不鼓励无效加班，更重视思维逻辑与问题解决效率。“只要思路清晰，任务往往能在短时间内高质量完成。”
引用来源：《很好奇，算法岗平常都在干什么？》——小红书 @打工怨种
常见的算法工程师细分方向包括：
- 机器学习 / 深度学习算法工程师
- 计算机视觉（CV）算法工程师
- 自然语言处理（NLP）算法工程师
- 推荐系统算法工程师
- 广告算法工程师
- 搜索算法工程师
- 强化学习（RL）算法工程师
- 数据挖掘 / 商业智能算法工程师
- 自动驾驶感知与决策算法工程师
- 边缘计算 / 嵌入式端侧算法工程师
2. AI应用开发岗（如AI Agent开发）：新兴蓝海，入行友好
随着大模型能力逐步成熟，越来越多企业开始构建基于LLM的AI Agent（智能体）系统——即让AI能够自主调用工具、规划任务流程并执行具体操作（例如自动订票、撰写周报、生成报表等）。
这类岗位通常不要求深厚的算法理论基础，更加注重工程实现能力，包括Prompt Engineering、工具链集成、状态管理机制、多智能体协同逻辑等。
因此，大量后端开发、全栈工程师正迅速转向这一领域，使其成为当前就业市场的“新风口”。
相较于传统算法岗，AI应用开发对学历门槛较低，更看重实际项目经验和快速学习能力。
引用来源：《关于什么是Agent、如何构建Agent，一文尽览》——小红书 @AI Dance
《今天和导聊》——小红书 @励志做一只米虫
值得注意的是，算法与开发之间的界限正在逐渐模糊。许多企业已不再严格区分“算法”与“开发”，而是期望候选人同时具备模型理解能力和工程落地经验。
[此处为图片2]
3. AI Infra（人工智能基础设施）：小众赛道，高价值输出
AI Infra指的是支撑大模型训练与推理的底层技术体系，涵盖分布式训练框架、高性能通信库、显存优化策略、编译器技术（如TVM）、推理引擎（如TensorRT）、集群调度系统等多个关键技术模块。
该方向虽然岗位数量较少，但单个岗位的技术含金量和薪资水平普遍较高，通常要求候选人深入掌握操作系统原理、网络协议、编译原理、并行计算等系统级知识。
其入门难度高于普通算法或开发岗位，更适合具备扎实系统背景的硕士/博士，或从高性能计算（HPC）、编译器、数据库等领域转型而来的技术人员。
引用来源：《被你们说的越来越怀疑自己的选择》——小红书 @进击的阿德
[此处为图片3]
4. 云计算：稳健发展，长期需求旺盛
尽管不如大模型话题“吸睛”，但云计算仍是当前最稳定的主流技术方向之一。
- 阿里云、腾讯云、华为云、AWS、Azure等云服务商持续扩张业务规模；
- 各行各业的中大型企业加速推进“上云”进程，推动对云原生、容器化（K8s）、微服务架构、Serverless等技术人才的需求持续增长；
- 有从业者评价：“云计算就是旧时代的AI Infra”，强调其作为数字化基础设施的核心地位与长期价值。
引用来源：《真心建议转码看下cloud这个方向！》——小红书 @大厂面试官Young
[此处为图片4]
边缘计算将计算能力部署在终端设备附近，例如工厂、车载系统或各类物联网（IoT）装置，以实现更低的延迟和更高效的带宽利用。尽管如此，该技术的实际应用场景仍处于探索阶段。
有研究生反映，当前边缘计算的项目多为演示性质，落地案例相对有限；然而，在另一面，工业互联网、智能驾驶以及智慧城市的建设中，已出现明确的人才需求。尤其在华为、海康威视、大疆及多家汽车制造企业等重视硬件研发的公司中，相关岗位招聘持续释放。
[此处为图片1]数据分析岗位常被视为非科班背景人员进入科技行业的“跳板”，也适合希望转型至技术领域的从业者作为起点。其入门门槛较低，掌握SQL、Python、Excel以及BI工具（如Tableau）即可满足基本求职要求。
但该岗位存在明显的发展瓶颈：工作内容高度依赖业务输入，技术深度不足，容易陷入重复性报表制作。因此，业内普遍建议将其作为职业生涯的第一步，用于积累业务理解能力（business sense），并尽快向更高阶方向跃迁。
常见的进阶路径包括：
- 数据开发工程师：负责构建数据管道、数据仓库与实时处理系统；
- 算法工程师：需补充数学基础与建模能力，转向机器学习或深度学习领域；
- 数据产品经理：结合数据分析与产品设计，聚焦业务价值转化。
六大主流岗位方向对比分析
| 岗位方向 | 优势 | 挑战 | 适合人群 |
|---|---|---|---|
| 算法工程师 | 技术前沿、薪资水平高 | 准入门槛极高、竞争激烈 | 具备博士学历或顶会/竞赛背景者 |
| AI 应用开发 | 新兴机会多、偏重工程实现 | 技术更新快，需持续学习 | 后端或全栈开发者 |
| AI Infra | 技术壁垒高、不可替代性强 | 岗位稀缺，系统知识要求深 | 具备系统、编译或高性能计算背景者 |
| 云计算 | 市场需求稳定、生态成熟 | 创新空间较小 | 偏好工程落地且追求职业稳定性者 |
| 边缘计算 | 软硬结合、行业应用清晰 | 场景分散、标准化程度低 | 对物联网或嵌入式系统感兴趣者 |
| 数据分析 | 入门简单、转行友好 | 成长天花板明显，易被自动化取代 | 适合作为过渡或转型跳板 |
理性应对“AI热潮”：定位比追逐更重要
在当前的技术浪潮中，应避免盲目追求“算法光环”。相较而言，夯实工程实践能力、拓展对业务逻辑的理解，更能建立长期竞争力。融合型岗位——如 AI 与开发、AI 与云平台、AI 与垂直行业的交叉领域——正成为差异化发展的关键突破口。
2025级本科计算机专业能力发展图谱（增强版）
目标：构建“专业课程—技术能力—就业岗位”三位一体的成长路径，提供可执行的发展指南。
方法论：以岗位需求为导向，依托课程体系为基础，贯穿技术栈的交叉融合主线。
一、六大核心专业知识全景
| 专业 | 理论基石 | 系统能力 | 应用方向 | 特色前沿模块 |
|---|---|---|---|---|
| 计算机科学与技术 | 离散数学、计算理论 | 计算机组成、操作系统、编译原理、网络协议栈 | 系统软件、嵌入式、高性能计算 | 并行计算、可信执行环境（TEE） |
| 软件工程 | 软件建模、形式化方法 | 软件架构、质量保障、项目管理 | Web/移动/企业级应用开发 | DevOps、低代码平台、AI辅助编程 |
| 网络工程 | 通信原理、密码学 | 协议分析、路由交换、攻防对抗 | 网络运维、安全防护、SDN/NFV | 零信任架构、AIOps、6G原型 |
| 数字媒体技术 | 图形学、信号处理 | 渲染管线、音视频编解码、交互设计 | 游戏、VR/AR、AIGC内容生成 | 多模态生成、神经渲染、数字人 |
| 大数据技术 | 统计学、最优化 | 分布式存储、流批一体、数据治理 | 数据中台、智能决策、BI | 向量数据库、联邦学习、大模型微调 |
| 物联网工程 | 自动控制、传感原理 | 嵌入式OS、边缘推理、无线组网 | 智能制造、智慧城市、车路协同 | 边云协同、通感一体、轻量化LLM |
共性强化：所有专业均开设《人工智能导论》《Python程序设计》《Linux系统基础》，确保“AI+X”能力全覆盖。
二、技术岗位分类重构：基于技术栈融合的五大能力域
传统的“开发 vs 算法”二分模式已难以适应当前趋势。岗位呈现出高度融合、能力复合的特点。基于底层支撑能力，我们将岗位划分为以下五大能力域，并标注其交叉关系。
能力域1：系统与基础设施（System & Infrastructure）
作为上层应用运行的“地基”，强调性能优化、系统可靠性与资源调度效率。
| 岗位方向 | 技术栈层级 | 关键交叉点 | 对应课程 |
|---|---|---|---|
| 后端开发（高并发方向） |
- 基础：Java/Go + Spring Boot - 核心：MySQL索引优化、Redis缓存、Kafka消息队列 - 进阶：分布式事务（Seata）、服务网格（Istio） - 前沿：eBPF网络加速、Rust重写核心组件 |
←→ 云原生 ←→ AI Infra | 《操作系统》《数据库》《计算机网络》 |
| AI Infra 工程师 |
- 基础：Docker/K8s - 核心：Triton推理服务、Ray分布式任务调度 - 进阶：GPU显存池化、模型并行策略（Tensor Parallelism） - 前沿：MLIR编译器栈、自定义算子开发 |
←→ 编译优化 ←→ 云计算 | 《编译原理》《计算机组成》《分布式系统》 |
| 云原生架构师 |
- 基础：K8s Pod/Service - 核心：Helm Chart、Operator模式、Service Mesh - 进阶：GitOps、多集群联邦 - 前沿：WasmEdge轻量运行时、Serverless GPU |
←→ 后端开发 ←→ 边缘计算 | 《分布式系统》《操作系统》《容器技术》 |
能力域1：AI基础设施与系统优化
聚焦于底层系统与编译优化，连接硬件性能与上层AI模型效率。
岗位方向：编译与推理优化工程师
- 基础技能：LLVM IR、ONNX格式
- 核心技术：TVM Schedule、TensorRT插件开发
- 进阶能力：自动调优（AutoTVM）、量化感知训练（QAT）
- 前沿探索：神经编译器（如TorchDynamo）
关键交叉领域：←→ AI Infra ←→ 嵌入式
推荐课程：《编译原理》《计算机体系结构》《深度学习》
[此处为图片1]能力域2：数据智能与决策链路
覆盖从原始数据处理到智能建模与决策输出的完整流程，强调数据驱动下的推理与评估能力。
岗位方向：推荐/广告算法工程师
- 基础技能：LR、FM、GBDT
- 核心技术：DIN、DIEN、GraphSAGE
- 进阶能力：多任务学习（MMoE）、因果推断
- 前沿探索：大模型召回（LLM as Retriever）
关键交叉领域：←→ 数据工程 ←→ AI Agent
推荐课程：《机器学习》《数据挖掘》《最优化方法》
岗位方向：多模态算法工程师
- 基础技能：CLIP对齐、BLIP captioning
- 核心技术：Flamingo、LLaVA架构
- 进阶能力：视频时序建模（TimeSformer）
- 前沿探索：世界模型（World Models）
关键交叉领域：←→ 数字媒体 ←→ AIGC
推荐课程：《计算机视觉》《自然语言处理》《数字图像处理》
岗位方向：大模型算法研究员
- 基础技能：Transformer、LoRA微调
- 核心技术：MoE架构、RLHF对齐
- 进阶能力：长上下文扩展（RoPE外推）
- 前沿探索：Agent Self-Improvement
关键交叉领域：←→ AI Infra ←→ 强化学习
推荐课程：《深度学习》《强化学习》《人工智能导论》
岗位方向：数据开发工程师
- 基础技能：SQL、Spark RDD
- 核心技术：Flink Stateful Processing、Iceberg表格式
- 进阶能力：实时特征平台（Feast）、数据血缘追踪
- 前沿探索：向量数据管道（Milvus + Spark）
关键交叉领域：←→ 后端开发 ←→ 算法支持
推荐课程：《大数据处理框架》《数据库》《Linux开发》
能力域3：应用构建与用户交互
关注最终用户体验，提升产品效率与创造力，实现AI能力的落地触达。
岗位方向：前端/全栈开发
- 基础技能：React/Vue + TypeScript
- 核心技术：状态管理、SSR/ISR
- 进阶能力：WebAssembly性能优化、微前端架构
- 前沿探索：AI驱动UI生成（如Galileo AI）
关键交叉领域：←→ AI Agent ←→ AIGC
推荐课程：《Web开发》《人机交互》《软件工程》
岗位方向：AI Agent 开发工程师
- 基础技能：LangChain工具调用
- 核心技术：ReAct推理、Plan-and-Execute
- 进阶能力：多Agent协作（CrewAI）、记忆压缩
- 前沿探索：具身智能（Embodied Agent）
关键交叉领域：←→ 后端开发 ←→ 大模型算法
推荐课程：《软件工程》《人工智能导论》《项目实践》
岗位方向：AIGC 应用开发者
- 基础技能：Stable Diffusion API
- 核心技术：ControlNet、LoRA定制
- 进阶能力：视频生成（Sora类模型集成）
- 前沿探索：3D生成（NeRF + Diffusion）
关键交叉领域：←→ 数字媒体 ←→ 多模态
推荐课程：《数字媒体编程》《计算机图形学》《AI+X项目》
能力域4：边缘计算与物联网系统
连接物理设备与数字系统，注重低延迟、低功耗及异构协同能力。
岗位方向：边缘计算开发工程师
- 基础技能：MQTT/CoAP协议
- 核心技术：EdgeX Foundry、K3s轻量K8s
- 进阶能力：模型蒸馏（TinyML）、联邦学习边缘端
- 前沿探索：通感一体（ISAC）
关键交叉领域：←→ AI Infra ←→ 物联网
推荐课程：《物联网操作系统与边缘计算》《无线传感器网络》
岗位方向：嵌入式AI工程师
- 基础技能：FreeRTOS、STM32开发
- 核心技术：TensorFlow Lite Micro、CMSIS-NN
- 进阶能力：NPU驱动开发、INT4量化
- 前沿探索：神经形态芯片编程
关键交叉领域：←→ 编译优化 ←→ 系统安全
推荐课程：《嵌入式系统》《计算机组成》《传感器技术》
能力域5：安全与可信系统
构建数字世界的防御机制，保障系统在合规、隐私和攻击防护方面的稳健性。
岗位方向：网络安全工程师
- 基础技能：OWASP Top 10、Burp Suite
- 核心技术：WAF规则编写、EDR日志分析
- 进阶能力：ATT&CK框架实战、红蓝对抗
- 前沿探索：AI驱动威胁狩猎
关键交叉领域：←→ 后端开发 ←→ 云原生
推荐课程：《网络攻防技术》《应用密码技术》《系统安全》
岗位方向：隐私计算工程师
- 基础技能：差分隐私、同态加密库（Microsoft SEAL）
- 核心技术：联邦学习框架（FATE）、可信执行环境（Intel SGX）
- 进阶能力：多方安全计算（MPC）协议优化
- 前沿探索：零知识证明（ZKP）在AI中的应用
关键交叉领域：←→ 大数据 ←→ AI算法
三、技术栈交叉矩阵：岗位能力复合度分析
以下表格展示了不同岗位在六大核心能力维度上的要求程度，星级越高表示该岗位对此项能力的需求越强（满分为五颗星）。
| 能力维度 | 后端开发 | AI Infra | 算法工程师 | AI Agent开发 | 边缘计算 | 网络安全 |
|---|---|---|---|---|---|---|
| 系统底层 | ★★★★☆ | ★★★★★ | ★★☆☆☆ | ★★★☆☆ | ★★★★☆ | ★★★☆☆ |
| 数据处理 | ★★★☆☆ | ★★★★☆ | ★★★★☆ | ★★★☆☆ | ★★★☆☆ | ★★☆☆☆ |
| 模型算法 | ★★☆☆☆ | ★★★☆☆ | ★★★★★ | ★★★★☆ | ★★★☆☆ | ★☆☆☆☆ |
| 应用交互 | ★★★☆☆ | ★★☆☆☆ | ★★☆☆☆ | ★★★★★ | ★★☆☆☆ | ★★☆☆☆ |
| 安全合规 | ★★☆☆☆ | ★★☆☆☆ | ★☆☆☆☆ | ★★☆☆☆ | ★★★☆☆ | ★★★★★ |
| 边缘物联 | ★☆☆☆☆ | ★★★☆☆ | ★★☆☆☆ | ★★☆☆☆ | ★★★★★ | ★★★☆☆ |
通过上述矩阵可看出，不同职业路径对能力结构的要求存在显著差异。例如，AI Infra 更侧重于系统底层与分布式架构能力，而 AI Agent 开发则更强调应用层交互和流程编排能力。[此处为图片1]
四、课程-岗位-技能三级联动建议
为帮助学习者精准对接目标岗位，以下提供三条典型发展路径的课程与技能组合建议：
路径一：成为 AI Infra 工程师
必修课程包括《计算机组成原理》《操作系统》《编译原理》《分布式系统》，这些是构建底层系统能力的基础。
推荐参与“大模型推理优化”类校企合作项目，并自主学习 LLVM 或 TVM 等编译优化工具链。
技能认证方面，建议考取 CKA（Kubernetes 认证管理员）以及 NVIDIA DLI 推理优化相关证书。
路径二：成为 AI Agent 开发工程师
应重点掌握《软件工程》《人工智能导论》《数据库》等核心课程。
可通过加入“智能体工作流”创新实验室提升实战经验，熟练使用 LangChain 框架结合 FastAPI 构建服务接口。
个人作品集中建议包含一个部署在 GitHub 上的可运行 Agent 示例，支持对话功能并能执行如查询天气或预订会议室等任务。
路径三：进入边缘计算与 AI 融合领域
必修课涵盖《物联网操作系统与边缘计算》《传感器技术》《嵌入式系统》，奠定硬件与边缘平台基础。
建议交叉选修《深度学习》《计算机网络》以增强模型部署与通信能力。
实践环节可在 Jetson Nano 设备上完成 YOLOv8 模型部署，并通过 MQTT 协议实现检测结果上报，形成完整闭环。
五、总结与行动建议
打破专业边界限制
单一学科的知识体系已难以满足当前复合型岗位的需求。学生应主动跨专业选课，例如物联网方向的学生可补充《深度学习》知识，软件工程背景者宜加强《操作系统》理解，从而拓宽技术视野。
以能力域为导向进行规划
企业在招聘时更关注候选人是否具备解决特定问题的能力，而非仅看其头衔是否匹配“算法工程师”等职位名称。因此，学习重点应放在构建实际问题的解决能力上。
尽早明确技术栈组合方向
根据个人优势选择适合的技术路线：
- 若擅长系统层面设计：可聚焦 Infra + 编译 + 云原生 技术组合；
- 若对数据敏感且逻辑清晰：适合走 算法 + 数据工程 + Agent 发展路径；
- 若偏好用户交互与创意表达：建议探索 前端 + AIGC + 多模态 方向。
最终目标不应局限于成为某一具体岗位的从业者，而是成长为能够综合运用多种技术手段应对复杂现实问题的复合型人才。
京公网安备 11010802022788号
