高考生填志愿前，都该读一遍DeepSeek的招聘帖

张无忌接任明教教主，是整部《倚天屠龙记》里最没道理的一次人事任命。

他压根没想当英雄。

刚从山谷里爬出来，江湖名望和门派身份白纸一张，履历硬要写，只有一句「曾在蝴蝶谷随胡青牛学医，肄业」。进光明顶，还是缩在说不得的乾坤一气袋里被扛进去的。

偏偏就在那一刻，明教高手伤的伤，残的残，六大门派围在外头，眼看要灭门。金庸不安排德高望重的老前辈出场主持大局，也不让明教开会审一审他的资历。强敌当前，规矩让位于实力，谁接得住招，谁就站到了中间。

搁在如今的 AI 时代，我们又迎来了一个新的光明顶时刻。DeepSeek 前几天广发英雄帖，公告里提到「让新人直接承担最核心、最重要的任务」。

讲真，这种话在招聘帖里见得多了，十句有九句是场面话。但若仔细剖析其岗位详情，你会发现它是下了功夫的。而且，这种不按套路出牌的人才选拔机制，几乎已经成了 AI 全行业的共识。

AI 时代，谁是下一个张无忌？

我们用 AI 抓取了 DeepSeek 官网上所有正在招聘的岗位，总共分为 7 大类，36 个岗位：

涵盖全栈开发、算法研究、核心系统研发、运维、产品、数据策略以及深度学习研究，并辅以 HR、法务、财务和采购等职能岗。

招聘范围从北京、杭州，一路延伸至内蒙古乌兰察布的数据中心。

纵观全局，纯粹的模型研究员的占比并不高。更多的岗位涉及数据治理、评测机制、Agent 系统、超大规模算力集群，以及数据中心的能源与散热管理。

这说明 DeepSeek 对人才的要求，早已不局限于模型训练本身。模型是露在外面的招式，底下的数据、评测、算力、基建，才是内功和筋骨。

摊子铺得这么大，按常理该去重金延请成名多年的老将，但在实际招聘中，DeepSeek 并未设立僵化的经验门槛。

比如硬核的高性能算子岗位，加分项末尾缀着一句：「充分欢迎有热情的白纸同学加入。」也多少映照了梁文锋说过的 DeepSeek 招人看能力，不看经验。

包括知名分析机构 Epoch AI 上个月把 DeepSeek、MiniMax、月之暗面、智谱、字节、阿里六家的招聘帖全扒了下来，一共 1604 份，再拿它们和美国头部实验室对比。

算下来有个很显眼的差距：美国公司岗位平均要求 5.5 年经验，中国这六家只有 1.6 年；而且校招岗位在中国实验室工程岗位中占比接近两成。

当然了，现实江湖毕竟不是爽文，绝没有那么多无名小子天降机缘的白日梦。

比如多模态研究员的核心要求列了五条，末尾补了一句：「即使没有上述特定经验，只要基础特别扎实、代码能力极强、对多模态有极致渴望，我们也欢迎。」

你品品这个句式：经验可以没有，基础特别扎实和代码能力极强这两个前提却半分不让。所以白纸同学的完整含义是：白纸可以，草包不行。

甚至算子团队的自我介绍也提到：不和任何对手比性能，只跟硬件的物理极限比，对每一个 cycle 和每一瓦功耗有着近乎偏执的追求。

这是独孤求败，不跟人过招，只跟天过招。

预训练数据、后训练数据、Code Agent 数据、通用 Agent 数据、专业领域数据、AI 创作数据、情感智能数据，光数据和评测方向也招聘岗位，比正经研究员的坑位还多。

什么算好？专业领域产品经理的要求写着，要能从知识准确性、推理质量、表达水准等多个维度对模型回答形成清晰的优劣判断。

道理不难理解：当模型能生成的东西越来越多，稀缺的就成了判断。就像风清扬教令狐冲，招式人人会使，哪一剑是活的，哪一剑是死的，得有人看得出来。

而这份眼力要用在哪儿，岗位详情反复在念叨：真实用户、真实任务、真实反馈、真实短板。

Agent Harness 的方向有研究员、工程师、产品经理三个岗位，但全是奔着让模型进真实工作流去的。甚至这股务实劲儿连非技术岗都没放过：全员都得会使 AI。

研究员的要求里写着「善于使用先进 AI 工具提升工作效率」，这不稀奇；稀奇的是连数据产品经理都被要求熟悉 Prompt Engineering，能通过 Vibe Coding 等方式快速验证想法。

把这些细节拼起来，AI 时代的人才画像就出来了。整体的形状像个哑铃。一头是极硬的底层功夫：数学、体系结构、系统工程，大模型往深处走，尽头就是算力和数理。

另一头是极深的专业纵深：医学、法律、文学，领域专家的判断力就是校准模型的标尺。两头中间横着两条通用要求，判断力和 AI 工具，贯穿所有岗位。

而最尴尬的位置，留给了样样通，样样松的万金油。巧的是，这份招聘启事挂出来的时候，刚好赶上大批高考生正在焦头烂额地填志愿。对他们来说，这 36 个岗位完全可以作为一份职业规划参考指南。

读懂这份武功秘籍，少走三四年弯路

填志愿难，难在从起点往前看，前面全是雾。招聘帖是从终点往回写的，哪条路通到哪座山头，写得清清楚楚。

诚然，AI 行业瞬息万变，谁也无法断定三/四年后的专业风口在哪，但即便如此，透过它们去审视背后站着的几大类专业，依然能为迷茫的当下提供一份极其珍贵的启示。

塔尖的岗位吃什么专业，预训练研究员的加分项里写得明明白白：「NOI/CMO/CPhO 银牌及以上，顶尖高校院系排名前 5%。」NOI 是信息学奥赛，CMO 是数学奥赛，CPhO 是物理奥赛。

也就是说，AI 公司最金字塔尖的研究岗位，点名要的是数学和物理的功底。

这不奇怪，深度学习剥开了看就是数学：scaling law、优化器设计、训练动力学，全是数理功夫。所以数学系、物理系、统计系，从来都是进 AI 的正门。

此外，超算集群工程师的岗位要求，头一条就是深刻理解计算机组成、操作系统、计算机网络等核心原理。这些基础知识，前些年多少学生觉得是老古董，考完就忘，写业务代码也用不上。

现在十万卡集群一来，体系结构、编译原理、分布式系统，老学问全部金贵起来。所以别光看专业名字里有没有「智能」，翻课程表，看这些硬课开不开、开多深。

有些新专业名字很响，课程却浅；有些老专业不时髦，反而耐用。

再比如，IDC 数据中心团队。它给年轻工程师列出的加分专业是：「电气/暖通/自动化/能源/通信/计算机/环境/土木。」这串看似分散的专业，其实正好勾勒出一座现代数据中心的完整轮廓。

对年轻工程师来说，这不仅意味着跨学科的机会，也意味着需要具备更综合的工程视角：既要懂设备，也要懂系统；既要能解决现场问题，也要能参与整体优化。

理工科之外，文科的大门也在敞开着。

专业领域数据产品经理招小语种、医学、法律，岗位要求里有一句话值得所有文科生和专业学科的学生学习：「我们不限定专业方向，每一个领域的纵深都可能是模型下一次突破的起点。」

圈一下这里的重点：纵深。法学生若能判断一个法律回答是否严谨、能把复杂案例拆成可训练的数据、能设计法律问答的评测集，其价值无可替代；反之，若只会死记硬背、套用模板，则极易被淘汰。

AI 创作数据产品经理也要文学审美，能够把「写得好不好」拆解为清晰、可衡量的能力维度。换言之，中文系、写作出身的人，只要功夫真深，也能进入 AI 公司的核心岗位。

岗位表的末尾，藏着一个特别的名目，叫 AI 跨界技术人才。明写着不设专业限制，要求里有一条是「在任何一个领域做到过极致，能证明自己的专注力和钻研深度」，加分项的最后一行只有五个字：「不走寻常路。」

填报完志愿，终究是要上大学的。把 36 个岗位的要求和加分项全部摊开，你会发现它们翻来覆去说的是同几件事。

攒作品是最重要的。预训练研究员的加分项写着「一作引用过 100 的文章」，后面跟了个括号：不要求已发表于期刊或会议。

同样的逻辑贯穿全表，大型开源软件的深度贡献、优秀的个人开源项目、个人技术博客，跨界岗甚至支持曾经创过业，或从零到一做成过有一定影响力的事情。

能替你说话的，除了作品，就是当场见真章的比武。超算和算子岗点名 SC、ASC、ISC、PAC 这些超算竞赛，NOI、IOI、ICPC 这些算法竞赛，服务端岗还加了 CTF，道理相同，比赛要真打，凑数式的参赛经历，反倒露怯。

当然，最重要的还是把 AI 用出体感。

专业领域岗要求「使用过多个主流大模型，能够敏锐感知不同模型的能力边界与差异」。高强度使用 AI，本身已经是 AI 时代下的基础需求。而且这一项不挑学校，不挑专业。

预训练岗的加分项里有在顶尖 AI 公司或实验室核心团队长期实习，作为主要贡献者做出过用于主线模型的成果，所以实习要早找，而且要找真干活的那种。

更有意思的是，超算岗位末尾专门写了一段「视野与思辨」，说广泛的兴趣，无论音乐、体育还是美术，都将为你带来独特的视角与创新灵感。光埋头练功的人，成不了绝顶高手。

仔细想想，上面说的这几件苦差事短期内都没有回报，也没人看见。开源贡献不算学分，复现论文不发奖状，HomeLab 更没人给你鼓掌。

张无忌在山谷里的第四年，大概也是这么过的。

后来光明顶上，众人只看见一个少年连接六大门派的高招，惊为天人。天上不降奇才，天上只降雨水。所谓奇才，不过是那些在山谷里无人问津的苦熬岁月，忽然有一天，被看见了。

而这样被看见的机会，往后只会更多。

高考填报志愿，不过是选择了一座山门；大学的数载光阴，才是修炼内功的关键；而毕业后的职业抉择，则是真正的提剑下山。

如果你现在觉得手里空空如也，别慌。趁着还在山上，耐着性子去打磨。请相信，山谷里的日子，没人看见，也都算数。

我们正在招募伙伴

简历投递邮箱 hr@ifanr.com

✉️ 邮件标题 「姓名+岗位名称」（请随简历附上项目/作品或相关链接）