岗位能力模型

把 JD 翻译成可学习的技能清单，覆盖算法、工程与业务。

AI辅助研发与效能工程 (AI Efficiency Engineering)
高

新一代架构师核心

核心知识点 (Input)

  • AI编程IDE精通: Cursor (Composer/Rules), Windsurf, Copilot
  • 指令驱动开发 (Prompt-Driven Development): Spec-Kit, SDD
  • 自动化工作流: n8n, Dify, Make
  • 跨端极速交付: Expo, v0.dev, Supabase

可验证产出 (Output)

  • 使用Cursor + v0在1天内完成全栈SaaS原型开发
  • 搭建n8n自动化工作流，实现GitHub PR自动Code Review
  • 构建企业级Cursor Rules配置库，统一团队代码风格
智能体与多模态应用 (Agent & Multimodal)
高

核心竞争力

核心知识点 (Input)

  • Agent框架: LangGraph, AutoGen, MetaGPT, Coze/Bisheng (Low-code)
  • 多模态大模型: Qwen-VL, GLM-4V, 视觉理解与视频分析
  • 工具调用标准: MCP (Model Context Protocol), OpenAI Function Calling
  • 多智能体强化学习 (MARL): 复杂任务协作与决策优化

可验证产出 (Output)

  • 开发具备视觉能力的本地生活推荐Agent (识别菜品/菜单)
  • 实现基于Bisheng/Dify的企业级知识库问答与工作流编排
  • 构建多智能体协作系统，模拟供应链调度或复杂办公流程
RAG 与知识库 (Retrieval-Augmented Generation)
高

必备技能

核心知识点 (Input)

  • 向量数据库原理与调优 (Milvus/Weaviate/Elasticsearch)
  • 高级检索策略: Hybrid Search, Rerank, Parent Document Retriever
  • 文档解析 (PDF/Excel/Markdown) 与分块 (Chunking) 策略

可验证产出 (Output)

  • 搭建一套垂直领域知识库，解决文档召回不准的问题
  • 对比并在报告中展示：只用向量检索 vs 混合检索+重排序的准确率差异
  • 产出：RAG评测报告 (基于Ragas或TruLens)
知识图谱与图数据库 (Knowledge Graph)
中/高

进阶加分项

核心知识点 (Input)

  • 图数据库操作: Neo4j & Cypher Query Language
  • 图谱构建: 实体抽取(NER)、关系抽取(RE)、本体建模(Ontology)
  • GraphRAG: 结合图结构的检索增强生成

可验证产出 (Output)

  • 从非结构化文本（如新闻或财报）中自动抽取实体关系构建图谱
  • 实现基于Cypher的多跳推理问答
  • 产出：可视化图谱展示Demo与GraphRAG查询接口
模型训练与微调 (Fine-tuning)
中

特定场景需求

核心知识点 (Input)

  • 微调技术: PEFT, LoRA, QLoRA
  • 数据工程: 指令微调数据集构建 (Instruction Tuning Data), Self-Instruct
  • 显存优化: DeepSpeed, FSDP, 4-bit/8-bit Quantization

可验证产出 (Output)

  • 微调一个7B模型使其具备特定的风格或格式化输出能力
  • 使用LoRA适配器进行特定任务优化
  • 产出：Hugging Face Model Card与训练Loss曲线分析
企业系统集成 (Enterprise Integration)
中/高

落地必修

核心知识点 (Input)

  • API规范: RESTful, gRPC, OpenAPI
  • 鉴权与安全: OAuth2.0 / OIDC Flow, API Gateway
  • 容器化部署: Docker & Kubernetes, Helm Charts
  • 业务系统对接: ERP/MES集成, 数据库读写API设计

可验证产出 (Output)

  • 将Agent封装为标准API服务，并集成OAuth2认证
  • 编写Helm Chart将RAG服务部署到K8s集群，实现HPA
  • 实现AI Agent与企业ERP系统的双向数据交互