打开招聘软件搜“算法工程师”，算法师招薪资那一栏从25K到80K都有，工程跨度大得离谱。聘信再看职位描述，算法师招有的工程写着“精通Transformer架构”，有的聘信只要求“熟悉Python和SQL”。同一个title，算法师招干的工程活可能完全不是一回事。
我见过一个做推荐算法的聘信朋友，每天的算法师招工作是调参、跑AB实验、工程盯着点击率小数点后第三位的聘信变化。也认识一个做CV的算法师招，在工厂里蹲了三个月，工程就为了让缺陷检测模型在流水线光照变化时别抽风。聘信还有个做NLP的，入职半年，主要精力花在清洗标注数据上——标注团队把“苹果手机”标成了水果类别，他得一条条捞出来改。
所以别被“算法工程师”这四个字唬住。它下面至少分三条路，每条路的技能树、日常节奏、甚至职业天花板都不一样。
推荐/广告/搜索方向
这是岗位量最大的一类，大厂小厂都在招。核心就一件事：从海量候选里挑出用户最可能点的那几个。技术栈偏传统机器学习加深度学习，LR、GBDT、DIN、双塔模型这些。SQL必须熟，因为你要自己从数仓里捞特征。Spark也得会，不然几十亿条样本跑不动。
面试重点在特征工程和AB实验设计。面试官会问你：新用户冷启动怎么处理？位置偏差怎么消除？流量分配比例怎么定？这些问题没有标准答案，但答得好不好，一听就知道你有没有真正跑过线上实验。
计算机视觉方向
岗位集中在自动驾驶、安防、工业质检、医疗影像几个领域。检测、分割、跟踪是基本功，YOLO系列和Transformer-based的检测器都得能上手。但真正拉开差距的不是模型结构，是数据处理和部署。
我见过一个做工业质检的团队，模型在测试集上mAP 0.95，上线后漏检率飙到15%。原因是产线换了一批灯管，色温变了。他们花了两周做数据增强和在线校准才压下去。所以招CV工程师时，我会特别问一句：你处理过域偏移吗？怎么做的？
NLP/大模型方向
这两年最卷的赛道。岗位描述里“熟悉LLM微调”几乎成了标配。但实际工作可能分得很细：有人专做数据清洗和指令构造，有人搞RLHF的奖励模型，有人只负责推理加速和量化部署。
一个现实是：大部分公司不需要你从头训练大模型。更多是拿开源底座做领域适配。所以PyTorch、HuggingFace、DeepSpeed这些工具链的熟练度，比推导Attention公式重要得多。当然，面试还是会考公式，这是筛选门槛。
简历上写什么
别堆砌“精通”“熟练掌握”这种词。写具体的事：把某个模型的线上推理延迟从200ms降到80ms，用了什么方法；或者把某个分类任务的F1从0.72提到0.89，改了什么。数字和因果链比形容词有说服力。
竞赛名次和论文有用，但前提是方向匹配。你拿Kaggle NLP比赛的金牌去投CV岗位，HR大概率不会多看一眼。项目经验也一样，写清楚你具体负责哪一块，别把团队成果全揽在自己身上。面试官追问两句就露馅了。
面试准备
八股文要背，但别只背八股。手撕代码环节，除了LeetCode中等难度，还可能让你实现一个简单的Attention或者IoU计算。概率题和智力题偶尔出现，不多。
更重要的是项目深挖。面试官会顺着简历上的项目往下问：为什么用这个损失函数？换一个行不行？数据量再大十倍怎么办？线上效果不好怎么排查？这些问题没有准备模板，只能靠平时真刀真枪干过。
最后说句实在的。算法岗的薪资溢价，一部分来自门槛，一部分来自泡沫。选方向时，别只看起薪。看看这个岗位三年后能积累什么——是更深的领域知识，还是更熟练的调参手感。前者越老越值钱，后者可能被AutoML替代。