大模型应用算法岗和开发岗的界线在哪里？

公众号名称：居丽叶的大模型视界

作者名称：居丽叶

发布时间：2026-05-16 21:45

大家好，我是居丽叶。

大模型应用开发/AI应用开发/Agent开发和大模型应用算法岗的界限在哪里？

很多同学很懵，暂且认为需要做模型训练的是算法岗、不做训练的是开发岗，但是刷刷小红书，又看到很多“不训练的算法工程师”分享工作日常：

很多已经在实习的同学同样很懵，“我是Agent开发进来的，怎么天天在造数据？”“我是算法岗，就让我写写skills、调调api，我都没接触过模型训练”

hr也很懵，且看JD：

有的岗位干脆不做区分了，统一叫做AI应用工程师：

这也是未来的大趋势。

现阶段，Agent工程化一般是开发和算法合作实现落地，比如设计架构、记忆机制、规划链路、工具编排、状态管理、多智能体协同等等等等。

举个例子，假如现在要做OpenClaw的记忆插件开发。

算法可能就会专注记忆能力优化，打磨 AI 记忆核心逻辑，主要做以下工作：

​

• 对话信息提纯：过滤冗余内容，抽取人物、偏好、指令等核心记忆要素

• 记忆分级管理：按时效、频次、关注度打分，划分长期 / 短期记忆

• 检索算法优化：适配场景选型语义召回方案，优化向量检索与相似度匹配

• 记忆轻量化：去重精简文本，压缩存储体积，保留核心语义

• 智能组上下文：结合当前对话联动历史记忆，动态拼接适配对话语境

开发则是负责插件落地投产，保障稳定可用，主要做以下工作：

​

• 按框架规范开发插件入口，完成工具注册接入

• 对接业务库与向量库，设计存储结构，优化读写性能

• 编写数据迁移脚本，完成存量历史记忆无缝兼容

• 完善全流程异常捕获与降级策略，杜绝运行崩溃

• 容器化打包部署，配置服务器资源限额

• 搭建多级缓存、断点续传机制，提升运行效率

• 搭建日志监控告警，实时排查运行隐患

你可能会觉得这里算法的工作好像没什么含金量，写prompt不就能实现了，事实也确实如此，你说算法的这些工作开发能不能做？我觉得是能做的，而且不见得比算法做得差。

就像在遥远的2024年，RAG都是算法在做，现在基本都是开发在做了，可能在未来这两类工作都会给一类叫做Agent工程师/AI应用工程师的岗位去做。

这又引申出另一个问题：

应用算法工程师会消失吗？

毕竟他们的工程能力不如后端，写prompt又好像在和产品抢活干。而随着基座模型能力的日渐强大，以前很多需要垂域微调的场景，现在直接用通用大模型就能搞定。

关于这个问题，我也和同事讨论过，一致结论是可能岗位会减少但不会消失。原因是：

**第一，强约束场景离不开自研小模型。**像边缘设备、实时风控这类对时延、数据安全要求很高的场景，通用大模型根本跑不动，只能用轻量化本地小模型。而小模型的调优、适配、落地部署，就是应用算法工程师的本职工作。

**第二，底层架构还有迭代变数。**目前行业清一色用Transformer，如果后续出现更好的新架构（完全有可能），现有模型体系全部要推倒重来，各行各业的垂类模型都得重新训练适配，到时候又会冒出大量算法调优、落地的需求。

**第三，行业落地差距很大。**现在国内大部分公司还处在追赶阶段，业务杂乱、数据质量差、算力有限，没办法直接硬套通用基座模型。这种情况下，依旧需要算法人员针对业务做模型改造、优化、轻量化，把模型真正落地跑通。

说了这么多，

所以我该怎么学？

岗位界限如此不清晰，那我岂不是开发算法都得学？

其实不用全部学，盲目两头深耕只会精力透支，最合适的学习方式是：定主方向、补通用能力、模糊边界、打造复合竞争力。

我梳理了大模型开发岗和算法岗的学习路线，后台回复“学习路线”即可获取。

总结

现在模糊的岗位界限，本质是行业走向成熟的必经过程，而AI Coding工具的日渐强大，更是加速了这一天的到来。往年企业必须拆分算法、开发、测试、数据、产品，依靠多人协作才能完成的工作，现在一个人配合AI工具就能闭环搞定。这也催生了2026年火起来的一个新词：OPC（One Person Company，一人公司）。

所谓OPC，就是一人为主、AI为佣：人把控思路、决策、业务逻辑，AI承接编码、清洗、调试、重复劳动。放在行业里，就是一个复合型工程师，就能干完早年算法+开发两个人的活。

在大模型时代，兵无常势，水无常形，没有绝对正确的学习路线，只有以交付和解决问题为导向的绝对实力。

— 完 —

欢迎扫码加入我的知识星球，内含多个Agent大项目

更有完整大模型笔记、八股速记、简历模板

和优秀的同行者们一起入职大模型技术岗

---

大模型应用算法岗和开发岗的界线在哪里？

Original 居丽叶 居丽叶的大模型视界

---

内容效果不满意？点此反馈