大模型岗位已不局限于互联网巨头，金融、制造、汽车、能源、医疗、教育、零售、央企、运营商、律所、咨询等行业均在成规模地招聘。这些岗位薪资或低于大厂，但工作节奏更可预期。拥有完整AI落地项目经验者在这些行业中的相对位置更高。文章建议更换搜索关键词、按行业修改简历、优先找有真实数据和场景的公司，并强调完整的项目经验是核心竞争力。
秋招这段时间，被问得最多的一个问题是：大模型是不是已经卷死了。
这个判断我理解是怎么形成的。大家平时能刷到的招聘信息、面经、行业分析，绝大部分集中在少数几家互联网公司身上。信息本身就是这么分布的，看得多了，"大模型岗位"这几个字在很多人的认知里，基本就等同于那几家的 JD。
但招聘市场的实际情况，比这个范围大不少。而且大出去的那部分，恰恰很少有人系统讲。
所以我花了点时间，把互联网之外的招聘情况做了一次调研，主要看三件事：
除了大厂，还有哪些行业在招大模型相关岗位，招的是什么；
这些岗位的工作强度和待遇，跟大厂比是什么关系；
一个有互联网或 AI 背景的人过去，处在什么位置。 1.
按惯例，下面提到的公司都隐去了具体名称，只保留行业和规模描述。数据主要来自 BOSS 直聘、智联招聘、猎聘的公开行业报告，以及财经媒体报道和企业公开招聘信息。有几个数字我没能追到一手来源，会在文中标出来，不确定的地方不编造。
一、我的判断
调研下来，我自己的判断是三条：
第一，选择面比大多数人以为的宽得多。 金融、制造、汽车、能源、医疗、教育、零售、央企、运营商、律所、咨询，都在招大模型相关岗位。这不是"也有一些"，是成规模地在招。
第二，这些岗位的薪资普遍低于大厂，但工作节奏的性质不一样。 这是一笔可以算清楚的账，不是简单的好坏问题。
第三，如果你真的做过完整的 AI 落地项目，那么在这些行业里，你的相对位置会比在大厂高很多。 网上喜欢用"降维打击"这个词，我觉得有点夸张，但它指向的现象是真实存在的，后面会展开讲原因。
二、地图有多大
先看总量。BOSS 直聘的年度报告里，AI 相关岗位月均新发职位数的同比增速是这样一条线：
- 2023 年：8.5%
- 2024 年：36.5%
- 2025 年：74.1%
增速本身在逐年翻倍，说明需求还在加速释放，而不是接近饱和。
但比总量更值得看的，是分布。智联招聘《2025 年人工智能产业人才发展报告》统计了 AI 招聘企业的规模：100–299 人的企业占 31%，20–99 人占 41%，20 人以下占 13%。100 人以下的企业合计占比超过 80%。
这个数字的含义是：大模型的人才需求早就不集中在几家巨头手里了，它已经分散到了整个经济体里。你盯着的那几家，只是这张图上最亮的几个点，不是最大的那块面积。
下面按行业说，都是我在调研中确认过的公开信息。
会计师事务所
这个是我看到时最意外的一条。
2025 年，头部国际会计师事务所的招聘广告里，AI 相关岗位占比约 7%；同一批广告里，审计岗位占比不到 3%。而在 2022 年，也就是 ChatGPT 出来之前，AI 岗位占比还不到 2%。三年时间，从 2% 涨到 7%，并且超过了审计本身。
另一个细节是，这些 AI 岗位里有 80% 明确要求编程能力，2021 年这个比例是 60%。说明它们不是挂名的"AI 战略顾问"，是要写代码的岗位。
需要说明的是，这组数据我看到的是财经媒体转述的第三方统计，没能找到原始报告，引用时可以留个余地。
银行和保险
银行这块的门槛比很多人想象的高。
我看到的几则社招公告：某股份制银行的大模型算法工程师，要求 C9 院校硕士以上、博士优先，六年工作经验其中三年以上 AI 研发；某国有大行总行金融科技部的人工智能规划岗，要求国际知名院校博士；另一家股份制银行的 AI 岗位直接写明"仅限海外知名院校博士"。
这些岗位背后是有真实业务在跑的。某国有大行的千亿参数金融大模型体系已经落地一百多个应用场景，其中智能风控平台覆盖了 130 多个风控决策场景，境内分行全部在用。整体上，中国金融机构的大模型相关专利申请量已经到 1909 件，占全球 75% 以上。
保险这边招聘量更大。2025 年秋招，三家头部险企分别放出 1823 个、6300 多个、4000 多个校招岗位，其中明确属于金融科技和算法方向的有几百个。有一家互联网保险公司的算法类岗位数量，是去年同期的两倍。
有一条我觉得特别值得单独拿出来说。某城商行的一则社招，岗位是财富管理条线的"市场投研部高级经理/策略分析岗"——这是个彻底的业务岗，不是技术岗。但职责里明确写着一条：负责行内 AI 大模型生成内容的专业审核与质量把控。
这一条的核心不是"银行在用 AI"，而是：这家银行内部 AI 生成的内容，已经多到需要专门设一个业务岗去审核质量了。大模型在这里已经不是科技部门的实验项目，而是渗进了日常业务流程。
制造、汽车、能源
一家头部家电企业，同时在招 9 个具身智能相关岗位，从算法工程师、机器人运控算法、机器视觉算法，一直到软件算法总监和研发总监，是一条完整的团队配置。
一家头部动力电池企业，同时挂着 11 个大模型相关职位，包括大模型主任工程师、大模型算法工程师、大模型平台方向的 AI 科学工程师。
一家头部车企面向硕博开放具身智能研究团队招聘，覆盖深度学习、感知、人形机器人、四足机器人，博士招聘里专门增设了大模型架构设计、训练优化、部署调试方向。
新势力车企的薪资是这批里最高的。有一家的人工智能算法工程师年薪给到 60–80 万；另一家 2024 校招自动驾驶算法岗按"n×15"月计薪，博士岗给到 35×15。
技术路线也是真在推进的：有的走云端大模型蒸馏、车端部署小模型；有的直接在车端塞进了 22 亿参数的视觉-语言-动作模型；还有的和云厂商合作做端云协同，端侧部署 1.8B 模型。
能源这边，某电力央企的行业大模型 2024 年 5 月上线，2025 年初完成了与开源模型的融合部署。一家光伏企业的"灯塔工厂"，用 AI 把单位制造成本降低了 28%，生产交付周期缩短 84%。
医疗、教育、零售
医疗这块的体量比我预想的大。截至 2025 年 5 月，国内累计发布的医疗大模型已经有 288 个，行业已经过了"造模型"阶段，现在拼的是临床落地。一家医疗影像设备厂商在 2025 年 4 月一次性推出了医疗大模型加十余款医疗智能体，覆盖文本、影像、视觉、语音、混合五类。对应的招聘岗位是大模型方向算法工程师，月薪 1.5–3 万。几家头部药企也都在招 AI 辅助药物研发方向的岗位。
教育行业，一家在线教育公司的 2026 校招开放了 AI 推理引擎开发、NLP 算法工程师、AI 产品经理等岗位，校招年薪不低于 35 万。
零售是最容易被忽略的一块。一家服装品牌用 AI 把一件衣服的头样开发周期从 100 天压缩到 27 天，样衣研发成本下降六成以上。一家商业零售集团做了零售垂直大模型，落地在积分识别、客户反馈分析、智能导购上。行业调研显示，92% 的零售企业预计生成式 AI 会提升效率和生产力。
央企、运营商、专业服务
某电信运营商的人工智能研究院，在招的岗位包括 AIGC 文生视频算法研究员、大模型 Post-training 算法研究员（做强化学习、奖励模型、数据合成，博士优先），以及一个 AI Safety 算法研究员，职责里写着动态伦理建模和大模型越狱防范。
我觉得最后这个岗位很说明问题。"越狱防范"是有前提的：你得先有一个真的被大量用户使用、真的会被人尝试攻击的模型，才谈得上防。这个岗位存在本身，就说明他们的模型已经到了那个阶段。
该运营商的基座模型开源之后，仅一个省级分公司的一线岗位就新增了大数据挖掘师、提示词工程师、云网系统架构师等 300 多个。另一家运营商的基座模型是首个通过网信办双备案的央企大模型。第三家在 2024 年 9 月专门成立了数据智能子公司。
律所也在动。有头部律所自建了基于大语言模型的文件脱敏系统；另一家在 2025 年 10 月和法律科技公司签约，把大模型接进 OA，用于合同审查、文书起草和案情研究。业内把 2025 年称为法律行业的 AI 应用元年。
而 BOSS 直聘年度报告里有一组数据，是这次调研里我认为信号最强的：法律、咨询、人力资源这类专业服务行业，AI 相关岗位增长超过 200%；其中管理咨询方向的 AI 岗位增长 139%，薪资涨幅 162%。
在 2025 年这个普遍讲降本增效的环境里，一个方向的薪资涨了 162%，只能说明供给严重跟不上需求。
三、这些岗位会不会是一阵风
这是个合理的质疑，我认真想过。我的判断是不会，有三个结构性原因。
第一，数据在这些公司手里，外包不出去。
前面提到的那 130 个风控决策场景沉淀下来的数据、动力电池产线上跑出来的质检数据、医疗设备厂商积累的影像数据，通用大模型再强也拿不到。这意味着这类落地工作天然无法交给互联网公司代劳，只能自己建团队。这是一个结构性的、长期的用人需求。
第二，合规和国产化是硬性要求。
央企基座模型要过网信办备案，政务大模型有信通院在制定能力标准，涉密场景对部署方式有明确限制。这类需求带着资质门槛，想外包也没人接得住，同样只能内建。
第三，也是最关键的——这些项目省下来的钱是能算清楚的。
制造成本降 28%、样衣成本降 60%、交付周期缩短 84%，这些数字最终会进财报。一件事只要能在财务报表上变成一条可量化的收益，它的预算就不会因为"AI 热度过去了"被砍掉。
跟风的东西会退潮。上面这三条不是跟风。
四、有 AI 背景的人过去，处在什么位置
这部分是我认为对看这篇文章的同学最有价值的。
先问你几个问题：
你知不知道 RAG 检索到错误片段时，该从哪几个环节依次排查？
你有没有搭过一套哪怕很粗糙的评估集，能说清楚"这一版比上一版好"到底好在哪、用什么指标衡量的？
同一个需求，什么时候该微调、什么时候 Prompt 够用、什么时候压根不该上模型——这个判断你能不能给出依据？
你有没有完整处理过一次线上 bad case，从日志一路归因到数据分布？ 1.
如果这几个问题你能答上来，哪怕答得不够漂亮——在互联网大厂，你是几十个同类候选人里的一个；在上面这些行业里，你可能是那家公司里少数几个知道这些的人。
这个差别的来源不玄，逻辑很朴素：这些公司手里有非常好的场景和数据，但缺少真正做过落地的人。
有两个数字可以并排放着看。一边是国内 AI 人才缺口的估算超过 500 万；另一边是大模型算法专家的平均招聘周期长达 98 天。（这两个数字我看到的也是二手转述，没找到原始出处，但方向性上和我接触到的情况是一致的。）
回头再看前面那个"仅限海外知名院校博士"，我一开始觉得离谱，后来想明白了一个可能的解释：不是候选人多到要用学历筛，而是真正懂的人太少，只能退回去用学历这个最粗的代理指标。 这个判断是我的推测，不是招聘方的说法，你可以自己评估合不合理。
还有一条数据值得注意。猎聘报告显示，AI 管理人才（CXO 级）需求同比增长 281.6%。
这说明这些公司要找的不只是执行层，还有能定技术路线、能带团队、能决定"我们这套 AI 体系该怎么建"的人。在大厂，这些事上面有总监有专家，多数人是执行角色；到了这些行业，同样的经历可能直接对应一个能拍板的位置。
所以"降维打击"这个词我觉得夸张，但如果换个说法——你换了一个坐标系，从被筛选的位置，移到了定义标准的位置——这个描述我认为是成立的。
前提是你真的做过东西。这一点后面还要再说一次。
五、关于工作强度：一笔可以算清楚的账
先给两条我确认到的具体信息。
一家在线教育公司的招聘信息里写明：工作时间 10:00–19:00，无强制加班文化，公积金 12%，另有餐补，校招年薪不低于 35 万。
某电信运营商的人工智能研究院：七险二金，各类货币化补贴，实习生日薪 350–450 元，非京籍学生另有每月 3000 元租房补贴。
需要坦白的是，我手上关于工作强度的硬数据就这么多。银行、制造业那边我没有拿到可引用的作息信息，不编造。
但我想讲一个我认为更有解释力的结构性差别。
大厂的 AI 是军备竞赛。 竞争对手明天发布新模型，你今晚就得跟。这个节奏不是你定的，也不是你直属领导定的，是竞争对手定的。在这种节奏下谈工作生活平衡，意义不大。
传统行业的 AI 是内部项目。 它的节奏由预算周期、业务上线窗口、汇报节点决定。这些东西也会让人难受，但它们有一个关键性质：可预期。
一个是不知道什么时候结束的战争，一个是有明确 deadline 的项目。这两种节奏落到个人身上，差别就是你几点下班、周末会不会被临时叫回去、能不能提前三个月安排一次休假。
再加上央国企、银行、运营商这类单位本身的稳定性，以及前面说的——因为合规和数据的原因，这些岗位不容易被外包或优化掉。
所以这是一笔可以算的账：用 30%–50% 的薪资差，换回时间的可预期性、稳定性，以及一个短期内不容易被替代的位置。
这笔账划不划算，因人而异，取决于你现在的阶段、家庭情况和风险偏好。我不替任何人下结论。我只是觉得，你至少应该知道这个选项存在，而不是默认只有一条路。
六、必须说清楚的几个不足
上面如果就这么结束，是不负责任的。有几件事得说明白。
第一，薪资差距是真实的。 有险企算法岗从业者反映年薪不到 20 万，比同岗位在互联网大厂低约一半；公积金比例 7%，大厂普遍 12%。同期大厂大模型高端岗位涨幅在 30%–50%，顶尖博士能开到接近 200 万年薪。这个差距不会因为你觉得传统行业有前景就消失。
第二，不是所有非互联网公司都轻松，尤其是新势力车企。 前面提到年薪 60–80 万、智驾团队大规模扩招、要把 22 亿参数模型塞进车端——给到这个价钱是有原因的，那个强度不比大厂低。如果你的诉求是工作强度，那么相对可控的是银行、运营商、央国企、事务所、传统制造这一类，不包括新势力车企的智驾团队。
第三，“背景优势"是有前提的。 如果你在大厂做的就是调 API、拼 Prompt、跑通别人搭好的流程，那你去哪儿都一样，甚至更吃亏——因为传统行业不会为"大厂经历"本身付溢价，他们要的是能把模型嵌进业务流程并且真的跑通的人。你的优势来自"你完整做过一个上线的东西”，不来自你的工牌。
第四，初级岗位的泡沫已经出现了。 同质化的 Prompt 工程、简单微调类岗位，2025–2026 年明显供过于求，薪资出现了 10%–20% 的下行。2026 届应届生简历中标注 AI 技能的人数同比增长 76.5%，所有人都在往这个方向挤。
第五，技术栈的期待不一样。 这些行业基本不招从零训练基座模型的人。简历上写"复现了某篇预训练论文"，在这里加分有限，甚至可能被认为方向不对口。
七、他们真正要的是什么样的人
猎聘报告里有一句话，我第一次读的时候没在意，后来越想越觉得关键：
“
大模型正在从一个行业，变成很多行业的一层基础能力。这个过程里最缺的，不是懂模型的人，也不是懂业务的人，而是同时懂两头、并且真的把东西做上线过的人。
这样的人现在有多稀缺，前面那个 98 天已经说明了。
所以如果你手上正好有一段完整的落地经历，它的价值可能比你自己估计的要高。只是你一直在一个候选人密度最高的地方，反复证明这件事。
换个地方试试。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
