You build and deploy machine learning systems at scale, bridging research and production by creating data pipelines, training infrastructure, and model serving systems.
注：职业描述基于市场通用岗位职能，实际工作内容因单位和部门有所不同。
月薪（税前）· 受地区、单位性质和个人能力影响较大
北京、上海、深圳等一线城市薪资通常高于全国平均水平 20–40%
国有企业稳定性强，私营和外资企业薪资弹性较大
AI工具将大幅提升该职业的工作效率，善于运用AI的从业者可以产出倍增。主动学习AI工具的毕业生将明显领先于同行。
技术技能名称保留英文（行业通用表达），面试和实际工作中均以此为准。
在导师或上级指导下熟悉业务体系，建立专业知识框架。通常需要 3–6 个月内开始独立承担项目模块。
独立主导项目或业务模块，开始带领初级成员，逐步建立行业内的专业声誉和人脉网络。
负责重大项目或部门管理，参与战略决策，薪资上限显著提升。高级岗位通常需要丰富的项目记录或专业认证。
上午9:00–10:30参与跨部门需求对齐会，与产品、业务方确认新推荐模块的指标定义与AB测试方案；10:30–12:00在Jupyter中复现论文模型，调试数据预处理Pipeline中的类别不平衡问题；下午13:30–15:00使用PyTorch重构特征工程模块，集成到Airflow调度任务中；15:00–16:30审查团队成员提交的PR，重点检查模型推理服务的内存泄漏风险与API响应延迟；16:30–17:30部署v2.3版本至Staging环境，运行自动化验证脚本并分析AUC/Recall变化；下班前同步当日实验日志至MLflow，并更新内部技术文档Wiki页。
通常需计算机科学、统计学或相关专业硕士及以上学历（头部企业博士占比超40%）；扎实的Python编程能力与算法基础是硬门槛；熟练掌握PyTorch/TensorFlow框架及Scikit-learn生态；熟悉分布式训练（DDP/FSDP）、特征存储（Feast）、模型监控（Evidently）等工程化工具链。
可以入门，但需针对性补强：重点掌握概率论（贝叶斯、分布建模）、线性代数（矩阵分解、梯度计算）和优化理论（SGD原理），避免仅调包。建议通过《深度学习》（花书）第2–5章+Kaggle微课程系统学习。
非绝对必要，但本科直接入职大厂核心算法岗难度较大。近年约65%的AI工程师拥有硕士学历；若为本科，需用高质量开源贡献（如Hugging Face模型适配）、竞赛TOP 3%成绩或成熟落地项目弥补学历差距。
路径多元：可转向AI架构师（聚焦MLOps与平台建设）、算法专家（深耕垂直领域如医疗NLP）、技术管理（AI团队负责人），或跨界成为AI产品经理。持续输出技术影响力（博客/演讲/专利）比单纯年限更重要。