1. 引言
随着大模型、自动驾驶、具身智能等赛道持续升温，北上广深四座城市的 AI 岗位需求结构也在快速变化。本文基于当前招聘市场的主流 JD，梳理出需求量大、出现频率最高的技术栈，供求职者、转行者和技术管理者参考。
2. 编程语言：Python 仍是绝对主力
- Python：几乎所有 AI 算法岗、大模型岗的硬性要求，覆盖数据处理、模型训练、推理部署全链路。
- C++：自动驾驶、机器人、高性能推理引擎（如 TensorRT、vLLM 底层）岗位的高频要求。
- Java / Go：AI 工程化、平台开发、MLOps 方向需求稳定，尤其在大型互联网公司。
3. 机器学习与深度学习框架
- PyTorch：北上广深算法岗出现频率最高的框架，大模型微调、训练几乎默认 PyTorch。
- TensorFlow：部分传统 CV、推荐系统团队仍在使用，需求占比下降但未消失。
- JAX：在头部大厂的大模型预训练团队中逐渐增多，属于加分项。
4. 大模型与生成式 AI 技术栈
这是当前需求增长最快的板块，核心关键词包括：
- LLM 微调：LoRA、QLoRA、PEFT、DeepSpeed、Megatron-LM。
- RAG 检索增强：向量数据库（Milvus、FAISS、Weaviate、Chroma）、Embedding 模型、重排序。
- Agent 与编排：LangChain、LlamaIndex、AutoGPT、Function Calling、多智能体框架。
- 推理加速与部署：vLLM、TensorRT-LLM、ONNX Runtime、Triton、量化（GPTQ、AWQ）。
- 模型评估与对齐：RLHF、DPO、评测集构建、红队测试。
5. 多模态与 CV 技术栈
- 图像/视频理解：CLIP、BLIP、SAM、DINOv2、VideoMAE。
- 生成模型：Stable Diffusion、ControlNet、Diffusion Transformer（DiT）。
- 自动驾驶感知：BEV、Occupancy Network、端到端模型（如 UniAD），集中在上海、深圳。
6. 数据工程与机器学习平台
- 数据处理：Spark、Flink、Pandas、Dask。
- 特征存储：Feast、Tecton。
- MLOps：Kubeflow、MLflow、Airflow、Docker、Kubernetes。
- 向量检索：Milvus、FAISS、Qdrant。
7. 云计算与部署环境
- 云平台：阿里云、腾讯云、华为云、AWS（外企岗）。
- GPU 环境：CUDA、NVIDIA 生态（Triton、TensorRT）。
- 容器化：Docker、Kubernetes、Helm。
8. 各城市侧重点差异
- 北京：大模型预训练、基础研究、AI Infra 岗位最密集，对 C++、分布式训练、高性能计算要求更高。
- 上海：自动驾驶、具身智能、金融 AI 突出，感知算法与决策规划岗位多。
- 广州：制造、零售、政务 AI 场景多，偏应用落地，工程化能力要求高。
- 深圳：硬件+AI 结合紧密，机器人、端侧推理、AI 芯片相关岗位需求大。
9. 总结
整体来看，Python + PyTorch + 大模型微调/部署 + RAG/Agent 是当前北上广深 AI 岗位覆盖面最广的组合；在此基础上，按城市和赛道补充 C++、自动驾驶感知、MLOps 或端侧推理能力，能显著提升匹配度。
