大模型算法岗和传统算法岗区别

投简历时你可能遇到这种情况：岗位都叫「算法工程师」，JD 里写的却完全是两回事，一个聊特征工程和线上指标，一个聊训练管线和推理成本。这篇不谈虚的，按技能栈、日常职责、面试考察三个维度做对照，再给一份自查清单和转岗补课顺序，帮你判断自己该投哪一边、要补什么。

投简历时你可能遇到这种情况：岗位都叫「算法工程师」，JD 里写的却完全是两回事。一个问你会不会做特征、能不能把线上指标抠上去；另一个问你怎么配比数据、评测集怎么设计、推理一张卡能扛多少并发。标题相同，工作内容几乎不重叠。

这篇不谈虚的，按技能栈、日常职责、面试考察三个维度做对照，再给一份自查清单和转岗补课顺序。目标很简单：让你在投递前判断自己该投哪一边、需要补什么，以及哪些岗位名其实在误导你。

技能栈差在哪：一条是特征与业务，一条是数据与系统

传统算法岗的核心是问题定义、特征工程、模型选择与线上线下一致性，数据规模常在可控范围内，主要矛盾是把业务指标做上去。大模型岗的核心变成数据构造与清洗、训练微调流程、评测集设计，以及推理侧的显存、吞吐和成本控制——模型本身往往不是自己从零训。

两者都要求扎实的数学与编码能力，但侧重明显不同。传统岗更看 SQL、Spark、A/B 实验；大模型岗更看分布式训练、推理框架和评测工程。判断自己适配哪边有个简单办法：把你过去半年花时间最多的三件事写下来，如果都是写特征和调参，转大模型需要补的是工程链路而不是数学。

日常职责差在哪：交付物不一样

传统算法岗的交付物通常是一个稳定上线的模型接口加指标看板，关注点集中在召回、转化、风控等业务口径，需求方多是业务同学，沟通语言是业务名词。大模型岗的交付物可能是数据配方、微调后的权重、一份评测报告或一套推理服务，需求方常是产品和其他工程团队。

返工来源的差别很能说明问题：传统岗多半是「离线好线上差」，需要回头查特征穿越、样本偏差；大模型岗多半是「效果不稳定」或「成本超预算」，需要回头查数据配比、解码参数或部署方案。判断岗位性质时，直接问面试官最近一次返工是因为什么，答案基本能定性。

不适用情形也要说清楚：如果团队把大模型只当接口调用方，这个岗位更接近应用开发，职责判断要按实际工作内容看，别只看岗位名。同理，传统岗里也有做大规模稀疏特征的活，工作量和大模型工程有重叠，不能一刀切。

面试考法与补课顺序

两边的面试题很少有交集。传统岗高频问业务场景拆解、特征设计、离线在线一致性、样本与指标口径；大模型岗高频问数据处理与配比、微调方法取舍、评测怎么设计、推理成本怎么算，以及读论文和开源实现的能力。

• 传统岗准备：拿一个真实业务场景，把从指标拆解到特征上线的链路讲通，重点证明你知道哪里会漏
• 传统岗准备：准备一个离线在线不一致的排查案例，讲清你怎么定位和修复
• 大模型岗准备：讲一次完整的数据到评测，说明每个取舍的理由，而不是只报最终效果
• 大模型岗准备：能估算推理侧的显存与吞吐，说清成本构成和优化空间
• 两边都准备：把简历上的项目按「问题—动作—验证」三段写，面试官最烦只写结论

补课顺序建议：先把一次完整的数据到评测跑通，哪怕小模型小数据；再补微调与推理优化；最后补分布式训练。顺序反了容易卡在看不见效果的阶段，热情消耗得很快。自查动作是用一周时间把一段公开数据做成监督格式并跑通评测，跑不通说明工程链路是短板，优先补工具链而不是理论。

1. 先跑通闭环用小模型和小数据把训练到评测的脚本走通，确认每一步都有输出，能复现再谈优化
2. 再补数据能力练习清洗、去重、格式转换和配比，记录每次改动对评测结果的影响，形成自己的数据直觉
3. 然后补推理部署一次推理服务，观察显存和吞吐随批量、序列长度的变化，算清成本构成
4. 最后补分布式在前三步都稳定后再碰多卡与并行策略，否则调不动 bug 只会打击信心

怎么选：三条判断线

第一条看团队阶段。业务已经稳定、指标靠精细化打磨的团队更适合传统岗；正在自建模型能力或做私有化的团队才有真正的大模型活。名头响不响不重要，有没有从零搭链路的活才重要。

第二条看你的耐心点。喜欢和业务对齐口径、把指标一点点啃上去的，留在传统岗更舒服；愿意处理脏数据和跑长任务、对系统成本敏感的，转大模型更顺。硬逼着自己做不擅长的事，通常撑不过一个项目周期。

第三条看可迁移性。传统岗的评测思维、实验设计、统计功底在大模型岗依然值钱，这些不用重学，只是换到评测集和训练数据上。真正要新学的是工具链和工程习惯，而不是从零开始。

不适用情形：如果目标岗位只做提示词和接口拼装，就不必按上面的训练侧标准准备，改成准备应用落地与评测案例更划算。另外，如果你所在行业的数据合规要求高，模型训练侧的活可能长期外包，这条判断线也要考虑进去。

岗位名只是标签，把交付物和返工来源问清楚，才知道自己会不会干得下去。