大模型应用开发岗和算法岗有什么区别、普通工程师怎么选 · AlgoMooc

大模型应用开发岗和算法岗有什么区别、普通工程师怎么选 · AlgoMooc

维度	大模型算法岗	大模型应用开发岗
核心产出	更好的模型、训练策略、评估方法	可上线的大模型应用、RAG/Agent 系统、业务流程自动化
日常关键词	SFT、DPO、RLHF/GRPO、数据配比、loss、benchmark	API、RAG、Agent、工具调用、检索、评估、延迟、成本
面试重点	数学基础、论文理解、训练细节、实验设计	项目深挖、系统设计、工程取舍、真题口述
简历筛选	硕博、论文、竞赛、模型训练经历加分明显	工程经验、项目深度、上线能力、业务理解更重要
典型候选人	算法/机器学习/科研背景	后端、Java/Go/Python、测开、数据、全栈、应用算法

应用场景	只会调包会卡在哪里	需要补的模型侧能力
企业知识库问答	答案不稳定,错了不知道是检索还是生成问题	Embedding、重排、评估集、引用溯源
Agent 工具调用	工具乱调、循环失控、成本爆炸	ReAct、状态机、工具 schema、终止条件
领域客服助手	语气和流程不稳定,模板约束不够	SFT/LoRA 的适用边界、数据构造
高并发推理服务	延迟高、显存吃紧、成本不可控	KV Cache、批处理、vLLM/SGLang 基本概念
结果质量评估	只能靠肉眼看,无法迭代	LLM-as-Judge、离线评估、错误分类

你的背景	推荐入口	原因	需要补什么
研一/研二,有实验室或论文资源	应用岗和算法岗都可试,但先做应用项目兜底	校招窗口允许双线探索	一个可展示项目 + 实习经历
研一/研二,没有论文/竞赛	先应用开发岗	更容易用项目和实习证明能力	RAG/Agent 项目、题库口述
3 年 Java/后端	应用开发岗优先	工程经验迁移度高	Python、LLM API、RAG 评估
测开/数据/前端	应用开发岗,选贴近原经验的场景	可以从业务流程和数据质量切入	服务化、模型调用、项目深度
已有深度学习/训练经历	算法岗和应用算法岗都可投	训练经验是稀缺筹码	工程落地和项目表达

目标岗位	重点题库模块	项目准备
RAG 应用开发	RAG 基础、向量检索、重排与优化、评估与监控	RAG 智能问答系统做深
Agent 开发	Agent、Prompt 工程、工具调用相关题	Deep Research Agent做深
应用算法/微调	模型微调、RLHF 与对齐、模型训练	轻量微调项目 + RAG/Agent 应用场景
推理部署/LLMOps	推理优化、模型架构、评估监控	高并发推理、成本和稳定性案例

维度	算法/研究生线	开发/Java 后端线
典型人群	研究生、算法/机器学习背景、有实验室或科研条件	3 年左右 Java/Go/Python 后端、测开、数据、全栈
主攻内容	评估设计、微调(SFT/LoRA)、Post-training(DPO/GRPO)、Agent 策略、实验设计	RAG 工程、Agent Harness(状态/工具注册/权限/trace/失败恢复/成本)、工具协议、服务化、监控、安全、部署
能拿出的项目证据	有对比实验、消融、明确的指标提升(基线→改进)	系统能上线、稳定、可评估、有 badcase 闭环
面试追问重点	数据怎么构造、用什么指标、训练取舍(为什么这么调)	架构怎么设计、召回怎么保证、延迟和成本、稳定性怎么兜底
对学历/论文的依赖	较强,硕博/论文/竞赛明显加分	弱,工程履历和上线能力是主证据
站内承接	模型微调、RLHF 与对齐、轻量微调项目	RAG 智能问答系统、Deep Research Agent做深