6964 份 JD 的技能图谱：全球市场要什么人

与 tech 线《JD 分析》课的区别：那门课教你怎么拆一份 JD；本课给你全球市场的统计底片——6964 份 JD 合起来长什么样，哪些技能是地板、哪些是天花板。

开场钩子

先记三个数：

• 70.0% 的岗位直接在 AI 上工作（RAG、Agent）
• 86.8% 的岗位需要 GenAI 之外的技能——这是个全栈角色
• 39.8% 的岗位点名 RAG——所有 JD 中最高频的具名模式

一个注意：技能占比应理解为下限而非上限——JD 没写出来的技能不会被统计到。

一、岗位三分法：ON AI 还是 NEAR AI

判断一个岗位的关键问题：是在 AI 系统上工作，还是在 AI 旁边工作？

AI-Support 内部再拆：平台/基础设施 1101 个、售前/解决方案 179 个、前端/UI 161 个、后端 142 个。注意一个反直觉发现：AI-Support 岗位里 "AI 技能"越来越多指会用 AI 编码工具（Copilot/Cursor/Claude Code 合计 15.5%），而不是构建 AI 系统。

两个群体的技能分野非常干净：GenAI 技能拉开差距（RAG：54.8% vs 10.5%；Agent：71.6% vs 20.9%），基础设施技能不拉开（K8s 反而 AI-Support 要得更多：31.0% vs 22.2%）。

二、谁在招：长尾市场

• 6964 份 JD 来自 2499 家公司；最大单一雇主 Capital One 也只占 1.7%
• 招得最多的可识别名字是大型金融与医疗公司（Capital One、Citi、Optum、Wells Fargo），不是 AI 实验室或创业公司
• 客户面向岗位 16.6%，管理岗仅 2.4%——这是一个 IC（个人贡献者）主导的市场

对 FDE 的含义：AI 采购主力是传统行业大企业——这正是 FDE 驻场交付的主战场，与国内"国央企/行业大客户"结构高度同构。

三、技能榜：地板与天花板

GenAI 技能（占全部 6964 岗）：

• LLM 62.2%、AI Agent 41.6%（任一 agent 技能合计 55.4%）、RAG 39.8%、提示词工程 34.7%、agentic 工作流 30.4%
• 框架：LangChain 22.0%、LangGraph 13.8%、LlamaIndex 8.3%；MCP 14.1%——八个月内从 9.9% 翻倍到 17.6%，是最稳定的上升技能
• 框架是"一起出现"而非互相竞争：700 个岗位同时要 LangChain+LangGraph。公司列的是生态，不是单一工具

工程基础：

• 语言：Python 70.8%（强制）、TypeScript 19.3%、Java 17.7%、SQL 14.4%
• 云：AWS 40.3% > Azure 29.6% > GCP 27.4%；三朵云都要能下手是常态
• 运维：CI/CD 2560 岗、Docker 1700、K8s 1666、可观测性 1547
• 数据库：向量数据库 1647 岗、PostgreSQL 775

全栈预期（AI-First 内）：后端 60.2%、前端 30.7%、全栈 22.6%。结论：AI 工程师是专攻 AI 的全栈工程师——纯 GenAI 只有 3.9%。

四、ML 需要多少：够用就行

• 54.0% 的 AI-First 岗需要一些 ML 知识，最常见的三样：微调（24.8%）、embeddings（22.9%）、PyTorch 基础（19.5%）
• 微调的真相：27.3% 的 JD 提到微调，但职责里真正要求微调的只有 15.5%（主力职责仅 3.6%），84.6% 的岗位职责中完全没有微调
• 底线：先吃透 RAG 和 Agent；只有目标岗位是领域专用（医疗/金融/法律）、性能优化或模型研发时才深耕微调

五、评估：把候选人分开的那把尺

• 59.7% 的 AI-First 岗要求评估相关技能（LLM 评估、可观测、护栏、监控），全年稳定过半
• 职责文本里 "evaluat" 出现在 3309/50326 条职责中——真实需求比技能清单更广
• RAG 和 Agent 已是地板。能不能衡量 AI 系统是否真的工作——LLM-as-judge、黄金数据集、幻觉检测、漂移监控——才是把候选人分开的东西

六、研究 vs 应用：市场要 ship 的人

研究岗 2.9%，应用/生产岗 97.1%。同一家的对比（Mistral AI）：

• 研究岗："在数千 GPU 集群上运行 SOTA 模型的预训练与后训练"
• 应用岗（FDE）："在各行业部署有可衡量业务影响的生产级 AI 方案"

市场要的是 ship 的人，不是发论文的人。

七、技能优先级速查

• 必须有：Python、提示词工程、RAG 模式、至少一朵云、Docker
• 高价值：LangChain/LangGraph、TypeScript、FastAPI、K8s、CI/CD、PyTorch 基础
• 差异化：Agent 框架、评估框架、向量库深度、多 Agent 模式、（进阶）微调
• 典型五层栈：应用层（React/Next.js/FastAPI）→ AI 编排层（LangChain/LangGraph）→ LLM API 层 → 向量库层（Pinecone/Weaviate/pgvector）→ 基础设施层（Docker/K8s/云）

对 FDE 的启示（1444 对标）

• B4 趋势研判与战略卡位：MCP 翻倍、LangGraph 快速上升、微调跌出主流——个人学习路线和团队技术选型按这个斜率下注。
• T1 模型认知与选型调优：掌握"提示词 → RAG → 微调"的决策顺序，微调只在前两者被证明不够时启动。
• T4 集成部署与安全运维：三朵云 + Docker/K8s + CI/CD 是 FDE 进客户环境的通行证——客户用什么栈，你就得部署进什么栈。

本课自测

1. 判断岗位类型的那个"关键问题"是什么？AI-First 和 AI-Support 的技能分野在哪类技能上最明显？
2. 微调在 JD 中的"提及率"和"职责要求率"分别是多少？这个差距说明什么？
3. 为什么说"评估是把候选人分开的尺"？举出三个具体的评估能力。
4. 全球数据里 AI 采购主力是哪类企业？这对 FDE 的客户结构判断意味着什么？