AI 训练师这个岗位到底负责哪些事

招聘网站上搜「AI 训练师」，出来的岗位描述差异大到像两个职业：有的写着数据标注，有的要求会写评测报告，还有的干脆把它等同于提示词工程。名字相近，做的事实则分层。把这个岗位拆开看，它的核心产出是一套别人和模型都能照着执行的判断标准，标数据只是其中一环。

产出物是判断标准，不是标签

标注员交付的是「这条属于哪一类」，训练师交付的是「这类该怎么判、边界案例怎么处理、判错了怎么发现」。前者能按件计量，后者只能用一个指标衡量：换个人拿着这份规范，能不能得出同一个结论。第三个人看完不用再来问，规范才算写成。

这也解释了为什么这类岗位的描述里常出现「编写标注规范」「维护评测集」。写规范看着像文档工作，实际是把业务里的模糊判断压成可执行条款。做这件事的人要能回答：两个标注员对同一条样本给出不同答案时，谁的判断对，依据是规范里的哪一句。

日常真正在做的四类事

先做的是拆任务。把「让客服回答更准」这种目标拆成可判定的子项：有没有答到点上、有没有引用错政策、语气是否符合品牌。拆不开的目标，后面既没法标也没法评，只能靠感觉争论。

接着是写规范和做校准。规范发给标注方，校准是抽一批样本让多人独立判，看分歧集中在哪几条。分歧扎堆的条款要重写，多数时候不是标注员不用心，是那句话本身有两种读法。

再往下是设计评测题、跑评测、分析失败样本。评测集的价值在覆盖不在数量：同一类问题准备几种问法、几档难度、几个容易混淆的邻近场景，比把简单题复制一百条有用。跑完要看错的那批样本有没有共同点——是知识缺失、没照指令做，还是问题本身有歧义。三种原因的解法完全不同。

还有一件常被忽略：把结论落回流程。发现模型在第三轮对话开始丢前提，解法可能是提示词里加一句约束，也可能是改交互。训练师通常没有改模型的权限，能做的是把问题定位清楚，交给能改的人。

四个岗位名字很像，职责差在哪

四者是流水线上的不同工位，不是高低关系。小团队常把训练师和提示词工程师合成一个岗，大团队会拆出专职评测岗。

读招聘信息时看三个信号

看动词。写「标注、审核、整理」的偏执行；写「设计、定义、分析」的偏训练。看交付物，要求产出规范文档、评测报告、失败样本复盘的，说明这个岗位有判断权；只要求按既有规范完成处理的，判断权在上游。

看考核口径。按件计费、按标注准确率考核的，本质仍是标注岗；按「上线后某类问题的下降幅度」考核的，才是训练岗。这一条在面试时问清楚，比看岗位名称可靠得多。

看团队位置。挂在算法团队下的离模型近，会参与数据策略与评测设计；挂在运营团队下的，更多是业务规则的维护者。

什么背景更容易上手

三个特征比专业更相关：能把模糊要求写成条款、愿意长时间看失败样本、对某个业务领域真的熟。第三条常被低估。一个懂理赔流程的人出保险场景的评测题，题会扎在真实的坑上；不懂业务的人只能出常识题，模型答对了也说明不了什么。

代码不是门槛。会一点脚本能省时间——批量跑题、统计分歧率、整理成表——但多数岗位的瓶颈在判断标准，不在工程。只会写脚本而写不清标准的人，很快会撞到天花板。

它做不到的部分

这个岗位决定不了模型能力的上限。数据质量和评测设计能把模型在特定场景的表现往上推，推不过基座模型的知识边界。碰到模型根本不知道的领域，再改提示词也只是让错误更流畅。

它也替代不了业务方的决策。训练师能说清「这类问题错了三成」，说不清「能不能上线」——那是风险偏好和成本的问题。评测分数高也不等于用户满意，题是自己出的，题偏了，分数只是一面镜子。

还有一层要有心理准备：成果很难单独归因。上线效果好，功劳记在产品或模型上；效果差，先被问的是数据。

入行前的四条自检

• 能不能把一句模糊要求改写成三条可判定的规则
• 看一百条错误样本会不会烦，能不能看出共性
• 手上有没有一个真正熟的垂直场景
• 接不接受自己的名字不出现在成果里

三个少有人问的问题

• 没有相关经验，简历怎么写才有说服力？：不要写「熟悉大模型」，写你定过什么标准。比如「为某类客服问答定义了四个评分维度，三人标注一致率从六成提到八成五」，这比任何证书都能说明你干过这件事。
• 这个岗位会被自动化掉吗？：执行层正在被压缩，模型已经能承担一部分初筛和预标注。但「定标准」和「判分歧」还需要人，因为分歧的根源常常是业务规则没写清，模型读不出来。
• 甲方的训练师和外包的训练师差在哪？：甲方定标准、管评测、对结果负责；外包多按甲方给的标准执行，判断空间小。前者积累定义能力，后者积累执行速度，几年后路径会分开。

判断一个训练师岗位值不值得去，看它有没有把「定标准」写进职责。想再往上理解模型能力从哪来，可以对照榜单排名变化该怎么读；评估一家公司值不值得长期待，价格战里的补贴与留存提供的是更冷静的视角。如果评测报告本身口径就有歧义，让 AI 读检测报告那篇核对口径的顺序可以直接借用。