为什么AI岗位一天收到500份简历，核心人才却依然难求？丨FDE重新理解AI建设者

但今年3月，一位长期在招聘一线的AI工程社区版主写了一篇长文，说的是完全不同的画面：发一个真实的AI工程岗位，一天之内能收到300到500份简历。他说得很直白，所谓"广泛的AI人才缺口"，在招聘市场的一线数据面前，可能只是一种错觉。

两边说的都是事实，只是拼在一起，画面很奇怪：一边是顶尖人才被疯抢，一边是投一个岗位就被简历淹没。

一天500份简历，为什么招到人还是很难

答案不在"AI人才够不够多"这个问题本身，在于"AI人才"这四个字太宽了，宽到能把完全不同的两种人装进同一个标签里。

一份今年5月的AI招聘市场分析报告，点出了这里面真正的分层：AI相关的招聘重心，已经从"训练模型"（这是2018年那批人才画像的核心技能）明确转向了"部署和评估生产系统"。这份报告管这个现象叫"交付问题"（Delivery Problem）——企业真正缺的不是会训练模型的人，是能把模型交付成一个真实可用系统的人。同一份报告还给了一个很能说明问题的细节：70%的候选人，因为简历还停留在"研究者"的写法上，直接在筛选环节就被淘汰。

这解释了那个奇怪的画面：一天500份简历，投的都是同一类人——会调参数、懂框架、能复现论文结果的人。这类能力这几年被大量培训课程、训练营反复教授，供给持续增长，AI工具还在不断把入门门槛进一步拉低。企业真正缺的，是另一类人，而这一类人，投简历的人里几乎找不到。

技术能力面对的是模型，建设能力面对的是现场

这两类能力之所以走出完全相反的供需曲线，根源在于它们面对的对象，从一开始就不是同一种东西。

训练一个模型，是一个边界相对清楚的任务：目标是明确的（准确率、损失函数、某个基准分数），数据是给定的，评价标准是可计算的。这类任务的知识可以被写成教材、拆成课程、被反复练习——也正因为边界清楚，AI工具本身就在持续把这类工作的门槛往下推，训练一个能打的模型，比几年前容易太多了。

但把一个模型接进一个真实的业务、一个真实的组织，是完全另一种性质的工作。之前文章「为什么企业真正缺的不是模型，而是现场？」里讲过，现场从来不是一个地点，是一套正在运行、还在不断变化的业务上下文——问题定义在开始时往往是模糊的，谁对结果负责、谁能拍板、出了错该找谁兜底，这些约束条件常常要一边做一边才摸得清楚，成功的标准本身也经常需要重新和业务方对齐。这些东西写不进任何一门课程，因为每一个现场的约束组合都不一样：这家企业的数据管理方式，那家企业的审批流程，这个团队的信任基础，那个团队过去踩过的坑——没有两个现场是完全一样的。

这就是为什么建设能力天然没法被规模化复制。技术能力是一种可以被教授、被考核、被AI工具进一步降低门槛的能力；建设能力是一种要在具体现场里反复试错、反复校准判断才能磨出来的能力，磨的过程本身就没法被压缩成一门标准课程。技术能力面对的是模型，建设能力面对的是现场——前者的门槛在持续下降，后者的门槛，几乎没怎么变。

市场已经开始用真实的招聘行为投票

这套判断不是分析出来的结论，是市场本身已经在用真金白银投票的事实。

Forward Deployed Engineer这个岗位头衔，2025年一年内的招聘量暴涨超过800%；"AI Engineer"取代"ML Engineer"，成为LinkedIn上增速最快的职位名称。市场的定价行为已经很清楚地把"部署和评估生产系统"这类能力，和"训练模型"这类能力区分开，前者正在被单独标出更高的溢价。

国内的行业数据给出了第二重印证。一份Agent工程师人才供需报告把这个行业拆成了金字塔：底层42%是应用层开发——用现成框架搭建单个或简单的多智能体系统，这一层的供给相对充足；中层和高层加起来46%是更深的技术岗位，负责底层框架和复杂协作系统的设计；单独列出的"跨界层"只占12%，报告给它的定义是——连接技术与业务，需要既懂技术又懂产品设计和商业模式。这12%，正是供给最少、和普通技术岗溢价差距最大的那一层。

两组数据、两个完全不同的市场，指向的是同一个结论：技术能力过剩，建设能力稀缺。这不是某一份报告的孤立判断，是招聘行为本身已经完成的一次投票。

FDE重新理解AI建设者

行业习惯把"AI人才稀缺"理解成一个笼统的画面——只要是懂AI的人，都是抢手货。FDE看到的是另一层：真正稀缺的不是技术人才，是建设者——能不能把技术、业务、组织三者持续连接起来，这项能力不写在简历的技术栈那一栏里。

这群人过去有很多名字：解决方案架构师、产品经理、顾问、技术负责人、实施顾问——每一个名字，对应的都是某个行业、某种组织架构下，负责把技术和现实世界接起来的那个角色。这些角色分散在不同公司、不同行业，用着不同的头衔，做的其实是同一件事。现在，市场正在把这件事重新看见，重新统一命名——Forward Deployed Engineer。

这也是为什么"AI人才"这个说法本身容易造成误判——它把两种性质完全不同的能力压进了同一个标签，一种正在被AI工具持续拉低门槛，另一种几乎没有被拉低过。

对个人来说，这意味着一个具体的选择：与其继续在越来越拥挤的算法赛道上卷简历、卷证书，不如去积累真实的现场经验——参与一个真实项目从模糊需求到落地交付的全过程，比再多刷一门模型训练的课程更值钱。对企业来说，这意味着招聘和培养的重点，需要从"这个人懂不懂最新的模型"，转移到"这个人有没有能力理解一个具体现场、并且持续做出正确判断"。

写在最后

技术能力和建设能力，走的是两条完全不同的曲线：一条门槛在AI工具的推动下持续下降，一条几乎没怎么变过。市场已经用真实的招聘行为完成了投票——两种能力正在被分开定价，而定价更高的那一层，恰恰是投简历的人最少的那一层。

如果建设能力才是真正稀缺、也真正难以复制的东西，那么下一个问题是：这种能力能不能被沉淀下来、被有意识地培养？

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向： 
 「塔迪GEO判断工程」在AI从“说”到“做”进化阶段，试图回答，如何让AI敢于行动、不因为责任问题而畏手畏脚，而做的一个前沿研究项目。
 「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
  塔迪的微信 - tardyai2025。