算法工程师的供需变化与 AI 行业周期直接相关：校招一侧，热度向大模型方向集中；社招一侧，门槛从「会调模型」向「能落地」移动。两条线的结构并不相同，看清各自的变化，求职者与用人方都好做计划。以下为基于公开招聘信息的观察性分析，具体以各家招聘渠道的实时信息为准。
校招市场的结构变化
从公开信息看，校招算法岗呈现明显的方向冷热分化：大模型相关方向（预训练、推理优化、多模态）的头部岗位竞争高度集中，论文与竞赛的门槛水涨船高；传统方向（推荐系统、搜索排序、风控模型）的岗位量仍在，但热度与薪资溢价相对回落，反而竞争烈度低于大模型方向。另一个变化是考察内容的重心：基础能力的权重在上升——数学、编程、机器学习 fundamentals 的扎实程度，比「用过多少框架」更受看重，理由不难理解：框架半年一换，基础十年不变。对学生的含义有两层：方向选择上，追热点的边际收益在下降，结合自身基础选赛道更稳；准备策略上，与其堆砌与大模型擦边的项目，不如把一个完整项目做到可验证的深度。
社招门槛的移动方向
社招的要求变化比校招更实质。几年前的算法岗 JD，关键词集中在模型与论文：熟悉的模型家族、发表记录、竞赛名次。现在的主流 JD 里，工程落地能力的权重明显上移：模型服务化部署、性能优化、数据管道、A/B 实验设计，这些「把模型变成产品价值」的环节被反复强调。背后的逻辑是行业阶段变了——大模型能力快速平权后，差异化更多发生在工程与应用侧，「能跑通 demo」与「能扛住线上流量」是两种完全不同的能力。经验溢价也随之移动：有完整落地经验（从需求到上线到迭代）的候选人，比只有模型经验的对口度更高，这个趋势在招聘 descriptions 里写得很直白。
大模型岗与传统算法岗的分化
同一个「算法工程师」title 下，岗位已经在实质分化。大模型侧继续细分：预训练与后训练方向集中在少数有大算力的团队；推理优化方向（量化、压缩、加速）随部署需求放量；应用层方向（RAG、Agent、微调适配）门槛相对低、分布广，是多数公司实际在招的形态。传统算法侧并未消失：推荐、广告、风控的存量岗位稳定，工作内容与 AI 工具的结合在加深。两侧的能力要求交集在缩小：大模型应用岗未必要求你懂分布式训练，传统推荐岗也未必要求你懂大模型推理。求职策略因此要变：与其做一个「什么都会一点」的通才，不如在一个细分里把深度做出来，跨界宽度作为加分项而不是主卖点。
从招聘信息读出更多信号
招聘信息是行业供需最直接的实时记录，值得系统地读。读法上有几个观察位置：JD 关键词的变化——同一岗位半年间新增了哪些词，比如 Agent、RAG、评测集的出现频率，反映的是企业实际在用的技术栈；对硬件与部署的提及——要求了解 GPU、推理框架的 JD 增多，说明岗位离基础设施更近；团队描述与业务描述的比例——业务描述多的岗位，落地属性强，论文堆砌的岗位含金量要打折。批量做法：把自己关注的方向的 JD 每月抓一批存档，让 AI 做关键词对比与趋势汇总，人工核对重点条目。这种私人版供需监测，比零散看招聘帖有效得多，做出择业判断时依据也扎实。
求职者视角的应对次序
应对的次序建议是：先补工程，再选细分，后建作品。补工程——部署、实验设计、数据处理这些跨周期技能，无论方向怎么变都是硬通货；选细分——结合自己的基础与所在城市的机会结构选一个方向深耕，不追每一轮热点；建作品——一个可验证的完整项目胜过简历上的十行罗列：能访问的服务、可复现的结果、写清楚取舍的文档。转方向的人次序不同：先在现有岗位上找与大模型的结合点做起来，用真实业务场景积累案例，比脱产学习更被市场认可。行情会有波动，能力结构的扎实程度决定波动的伤害有多大——这是供需观察里最稳定的一条规律。
算法岗的招聘行情现在怎么看？
- 非顶尖学历做算法还有机会吗？：有，但入口在应用与工程侧。企业落地岗位更看重工程能力与项目深度，用可验证的作品证明自己，比学历短板更值得投入。
- 转大模型方向要补哪些基础？：按岗位分层补——应用岗补 RAG、微调与评测的实操；基础设施岗补推理优化与并行训练，先定岗位再定学习清单，别盲目铺开。
- 传统机器学习岗位在减少吗？：总量没有明显收缩，但增长放缓、分布更集中于存量业务成熟的公司，岗位内容与 AI 工具的结合在加深，方向本身依然稳定。
