算法岗位分类

算法岗位的算法划分，远比外界想象的岗位“调参侠”和“炼丹师”要复杂。一个公司里，分类做推荐的算法和做风控的，日常对话可能互相听不懂——不是岗位语言障碍，是分类思维模式根本不在一个频道上。 最底层的算法，是岗位**算法研究员**。这帮人活在论文里，分类日常是算法读arXiv、跑实验、岗位跟SOTA（当前最优结果）死磕。分类他们的算法产出不是能上线的代码，而是岗位“在某个数据集上提升了0.5个点”的结论。我见过一个研究员，分类为了一个损失函数的变体，能连续三周每天只睡五个小时。但要是让他去处理线上数据倾斜问题，他会一脸茫然——那不是他的战场。研究员的KPI很虚，但价值在于给公司储备“可能性”。 往上一层，是**算法工程师**，这才是工业界的主力军。他们的工作是把研究员的“可能性”变成“确定性”。特征工程、模型调优、AB测试、上线监控，全是他们的活。这类人有个典型特征：既懂Python，也懂SQL，还得会看监控大盘。他们不追求模型在离线评测里涨多少，只关心线上点击率、转化率有没有真金白银的提升。我认识一个做搜索排序的工程师，他每天干的最多的事不是写模型，而是“洗特征”——从用户行为日志里挖出那些能涨指标的信号。这活儿枯燥，但最见功力。 再细分下去，还有**算法平台工程师**，他们不直接做业务模型，而是给其他算法同事造轮子。比如分布式训练框架、特征存储系统、模型部署服务。这群人更像是“算法界的运维开发”，写的是底层架构代码。没有他们，研究员跑一次大规模训练可能要等三天，工程师上线一个模型得熬通宵。他们的存在感低，但一旦出了问题——比如训练集群挂了——全公司算法岗都得出动找他们。 另外，**算法策略岗**是个容易混淆的类别。尤其在广告、推荐、风控领域，策略比模型更重要。策略岗的人天天琢磨的是“规则怎么定”，比如新用户第一次进来，是给他推爆款还是推个性化内容？这背后是探索与利用的博弈，是业务逻辑的深度理解。他们用的模型可能很简单——一个逻辑回归，但搭配上精巧的阈值和分桶策略，效果能碾压那些花哨的深度模型。这个岗位要求人“懂业务”超过“懂算法”。 还有个被低估的方向是**多模态算法**，这两年特别火。做这个的人得同时处理文本、图像、音频，甚至视频。难点不在单一模态的精度，而在怎么让不同模态的信息对齐。我见过一个做图文匹配的同事，每天的工作就是跟“语义鸿沟”较劲——一张“猫在沙发上睡觉”的图，配文是“慵懒的午后”，模型怎么知道这俩该匹配上？这类岗位对数学和工程能力要求都高，但更考验跨领域迁移的直觉。 最后，别忽略**算法测试和评估岗**。这个岗位听起来不性感，但极其重要。他们负责设计评测集、制定指标口径、排查bad case。没有他们，算法团队就像开车没有仪表盘——模型说涨了，但涨在哪、为什么涨，没人说得清。我见过最优秀的评估工程师，能从一万个case里总结出模型对“长尾词”的偏见，这直接改变了下一版模型的数据采样策略。 岗位分类不是死的，小公司里一个算法可能要干以上所有活，大厂则把每个螺丝钉拧到极致。但无论哪类，核心都逃不过三件事：数据、模型、业务。搞不清自己现在站在哪个位置，或者想转岗的人，先别急着刷题，问问自己更享受哪个环节——是研究新方法的兴奋感，还是解决实际问题的踏实感？这决定了你该往哪个方向钻。