市场趋势研判：集成者与训练者的分化

开场钩子

如果把 2 月和 8 月的市场快照叠在一起看，有一个信号比其他所有信号都强：**AI-First 岗位内部，"集成者栈"（RAG/Agent/API）从 80.0% 升到 88.0%，"训练者栈"（PyTorch/TensorFlow/微调/CUDA）从 37.5% 降到 30.4%。**这个角色的默认形态正在从"训练模型的人"变成"集成编排模型的人"。这节课讲清楚这个分化对个人卡位的六层含义。

一、五个月的六组位移

1. AI-First 占比稳定：71.5% → 70.2%，全年稳定在 68–71%——市场结构没有聚合趋势
2. 集成者 vs 训练者（最强信号）：纯集成岗 50.9% → 62.8%（已过半）；纯训练岗始终少数，8.4% → 5.2%。职责动词同向：train/research/optimize 七次抓取中六次下滑（64.5% → 45.9%），build/develop 接近全覆盖（97.3% → 98.0%）
3. RAG+Agent 成标配：同时要求两者的岗位从 33.1% 升到 50.5%——从三分之一到多数
4. 推理/服务岗未成形："AI infra 工程师"仍未作为独立大众岗位出现：AI-First 内部推理/服务栈（vLLM/Triton/TensorRT/CUDA/Model Deployment）从 19.8% 腰斩到 9.9%，通用 K8s 反而上升（18.6% → 24.0%）——推理工作仍住在平台/infra 原型里
5. JD 没有变胖：每份 JD 的技能广度全年 bouncing 在 18–23 个技能之间，"岗位要求越来越多"的叙事不成立；GenAI 技能数温和上升（4.6 → 5.5 个/岗）
6. 级别结构：junior 全年钉死在 ~1%——底层门槛从 2 月起就没开过；Staff+ 从 18.5% 腰斩到 11.0%——现在顶端也在变薄；Lead 承接了部分流出（4.6% → 8.1%），Senior 持平 30–34%

二、五种角色原型（聚类结果）

Agent 构建者超过 RAG 构建者成为最大原型，叠加 FDE 数据，指向同一个结论：agent 式工作正在成为角色的默认形状，而不是其中的一个专长分支。

三、技能轨迹：谁在涨、谁在跌

按月度份额斜率：

上升：提示词工程 26.1% → 39.0%（最快具名技能）；AI 编码工具（Claude Code/Copilot/Cursor）3.5% → 8.9%；RAG 32.8% → 43.2%；LangGraph 7.4% → 17.2%；Function Calling 9.6% → 14.3%；MCP 9.9% → 17.6%

下降：PyTorch 20.8% → 15.3%、微调 17.1% → 12.7%、RLHF 0.3% → 0.1%。SQL 有温和增长（11.1% → 15.8%），远不在榜首。

两套干净分离的技能栈（共现提升度）：应用栈围绕 RAG（RAG 岗 36% 带 embeddings，×2.2 提升；LangChain 岗 46% 带 LangGraph，×3.3——数据集里最强配对）；训练/infra 栈围绕 PyTorch（带 MLOps ×2.2）。MCP 和微调都已靠向应用栈——六个月前微调还更靠近 MLOps 和 infra。

框架格局：LangChain 在 agent 框架使用者中保持 84–86% 份额，LangGraph 从 37.7% 升到 61.4%（多数派），CrewAI/AutoGen 份额翻倍——LangChain 的近垄断没被侵蚀，是大家在它上面叠第二层框架。

四、公司阶段与用例主题

• 初创（Seed–A）：超配 AI-First（×1.16）和微调（×1.23），回避 PyTorch/云/Docker-K8s
• 成长期（B–F）：最超配编码工具（×1.36）和 AWS，回避 RAG 和微调
• 上市/晚期：唯一超配 RAG 的群体（×1.22）
• 用例主题：自动化/工作流 52.2% → 59.6%（仍在涨）；Agent 43.0% → 48.9%；RAG/问答 13.6% → 20.6%；经典推荐/个性化持续衰退 12.8% → 7.0%

评估工具迁移：经典 MLOps（MLflow/Kubeflow）19.9% → 16.9%；LLM 原生评估（LangSmith/Langfuse/Guardrails/LLM 评估）26.7% → 30.1%；Guardrails 单项 10.2% → 15.2%。多数 JD 仍不点名具体评估工具——"LLM 评估"作为裸要求远比任何产品名常见。

五、六条卡位判断

1. 把自己定位为集成者：简历和方案里 build/deploy/measure 的动词密度高于 train/research
2. Agent 是默认形状：不会 agent 编排的 AI 工程师，正在变成不会用智能手机的接线员
3. 学习顺序跟着斜率走：提示词工程与 RAG 是地板，LangGraph/MCP/AI 编码工具是上升电梯
4. 微调降级为"按需专精"——除非目标岗位明确，别把它当主线
5. 评估是分化期的稀缺品：工具栈从 MLOps 迁向 LLM 原生，早迁移早卡位
6. 级别结构两头收窄、中间稳定——L2/L3（独立交付/统筹攻坚）是最安全的位置，与 1444 定级的中段完全重合

对 FDE 的启示（1444 对标）

• B4 趋势研判与战略卡位：本课就是 B4 的实训教材——每月用同样的口径（抓取 → 归一 → 对比斜率）盯一次市场，形成自己的趋势仪表盘，而不是靠公众号感知市场。
• S4 组合排序与路线规划：给客户做场景路线图时，"自动化 59.6% / Agent 48.9% / RAG 问答 20.6%"的全球排序可以作为方案打包的参考先验。
• D3 价值验证与运营迭代：评估工具向 LLM 原生迁移提醒我们——给客户交付的评估方案也该用 Langfuse 式工具链，而不是 MLflow 时代的话术。

本课自测

1. "集成者 vs 训练者"的两个百分比变化是什么？为什么说这是全数据集最强的方向性信号？
2. 五种角色原型中占比最大的是哪个？这个排序变化与 FDE 数据合起来指向什么结论？
3. 列出三个上升最快的具名技能和三个下降技能，并各给一条个人能力投资上的行动。
4. junior 岗位占比和 Staff+ 岗位占比分别发生了什么？哪个定级区间最安全？