大模型新人入行方向选择与避坑指南
这篇文章，我将结合在大模型领域的经验，给大家详细聊聊新人应该如何转行大模型赛道。比如大模型都有哪些方向？各方向的能力要求和岗位匹配？新手转行大模型常踩的坑和常见的误区？以及入行大模型最顺滑的路径？
如果你是正打算入行大模型的校招/社招同学，请一定看完，可能会让你在入行大模型的路上，少走很多弯路。
01 大模型都有哪些方向？
如果你在求职网站搜索'大模型'关键词，看一下招聘 JD，基本可以了解现在业内对大模型工程师的需求方向和能力要求。
总结一下，大致可以分为 4 类：
1. 做数据的（大模型数据工程师）
涉及爬虫、清洗、ETL、Data Engine、Pipeline 等。这是目前非常核心且稀缺的方向。
2. 做平台的（大模型平台工程师）
涉及分布式训练、大模型集群、工程基建。主要服务于底层基础设施。
3. 做应用的（大模型算法工程师）
涉及搜/广/推、对话机器人、AIGC 应用开发。直接面向业务场景落地。
4. 做部署的（大模型部署工程师）
涉及推理加速、跨平台、端智能、嵌入式。关注成本与效率的平衡。
02 大部分新手的误区
如果是你，看到这几个方向，会怎么选？我估计很多人都直奔第三点去了，坚定的要做应用，走在所有工种的最前沿，做出让老板、用户都看得到的核心'产品'。
不过这里我不禁要给各位泼一点冷水，在 AI 算法这个行业，三是很吃业务经验的。如果你之前本身就是做算法的，比如是做 NLP，又或者是做语音助手、对话机器人这类的，再顺水推舟做相关方向的大模型算法工程师，这是比较合适的。在自身业务里融入一些大模型的算法和技法，拿到实际的业务产出，去市面上也比较好找这类岗位。
但如果你是 CS 方向的实习生/应届毕业生，或者其他 IT 方向转行大模型，3 未必是一个最好的选择。大家不要带着一个误区：大模型算法工程师就是调模型，调超参，做一做预训练，做一做 finetune，SFT 之类的活。
实际上呢，这部分工作只有很少人做，基本一个 team 中只有个位数的人，或者只是算法工作的很小的一部分。
注意一点，新人进去 90% 以上都不可能直接让你干算法模型调优的活，大部分可能还是让你配环境，搭链路，清洗数据，分析数据，调研，写一写 function，tools。
这些体力活都干熟了以后，可能才会让你跑一些模型实验。其中比较出色的，脑子比较灵活的同学，才会慢慢让他们开始接触线上业务。
也有很多同学，干了好几年，还是在干一些边角料，脏活，杂活，根本接触不到核心业务。对于刚入行的新人，如果你学历背景好点，可以去大公司做 intern 然后转正，背景差一点，可以去中小公司，积累业务经验。
03 数据很重要！
然后很多人可能往往忽视了上面的 1，2，4，觉得我学了这么多算法知识，学了机器学习，深度学习，还了解大模型，再去做数据，有点屈才了。
但我想告诉你的是，1 是更多转行大模型同学更容易上岸的方式。条条大路通罗马，不是只有一条路走到黑。
首先，目前国外的大模型技术至少领先国内两年，虽然国内已经有几十上百个'大模型'了，但真正能打的并没有几个。探究原因，还是有很多技术没有突破。
算法本身来说，GPT 已经不是什么秘密了。那剩下还有什么呢？一是数据，二是工程技巧。
拿数据来说，先说通用的大模型训练，数据的来源，从哪里采，数据的质量怎么把控，如何过滤有毒信息，语言的筛选与比例，数据的去重，以及数据的规范化处理，评测集的构建。这些既是体力活，又是技术活。
对于垂直领域，比如金融，电商，法律，车企，这种领域数据的构建就更考验技术了。业务数据怎么来，数据不够怎么办，完全没有数据怎么办？如果构建高质量的微调数据？
能把这些问题解决好，模型也就成功了一大半。因此，就目前的现状，对于数据工程师，特别是有经验的数据工程师，是非常稀缺的。
技术栈补充：
- 数据处理：熟悉 Spark, Flink 等大数据处理框架。
- 向量数据库：了解 Milvus, Pinecone, Chroma 等用于 RAG 场景的存储方案。
- 标注工具：掌握 Label Studio 等数据标注平台的使用与二次开发。
04 大模型平台干些啥？
然后说下 2，大模型平台工程师。如果你之前是做工程的，或者对工程比较感兴趣，我比较建议你选 2。
这二者其实并没有本质的区别，都是为了大模型业务服务的，也叫大模型基础设施的建设，作用就是让大模型 train 得更好，大模型跑得更快。
