职业与市场

同一个 title 在不同公司意思不同，先按做的事分族，再看 title。研究（提出和验证方法）、ML 工程（训练与上线模型、推荐与排序、MLOps）、AI / 应用工程（用模型做产品：RAG、agent、evals、成本）、FDE（嵌进客户系统交付）、推理与训练基础设施（GPU、并行、serving）、evals 与数据（评测集、人类数据、模型质量）、AI PM（产品判断加原型能力）。

七层的权重按族变：研究和基础设施压在 L2 / L3，应用工程和 FDE 压在 L4，evals 与数据横跨 L4 与 L1，AI PM 只要 L4 的概念层。族决定画像（profiles/），画像决定路径。

站点的岗位页按族维护、每晚重算，这里不复制任何数字：Forward Deployed Engineer · AI Engineer · Software Engineer（其余族只进 Index，没有单独页面）。

JD 是招聘经理和 recruiter 合写的清单，里面每个词的分量不一样。三条读法：

1. 出现频率 ≠ 重要性。 全站都写 Python 和「agents」，这是门槛词，有了不加分、没有直接筛掉；真正区分候选人的是出现率低但放在「responsibilities」里的词（评测框架、MCP server、客户侧交付）。站点的技能页给每个词的出现率和共现，但数字每晚重算，这里不复制：evals · rag。
2. 门槛看「required」里的年限和一个具体动词（「deployed at scale」「built evaluations」），加分看「nice to have」和「you might thrive」；后者缺一半也能投。
3. 同一个词在不同族意思不同：研究岗的「evals」是设计基准，应用岗的「evals」是回归套件。先定族（岗位族：AI 岗位怎么分），再读词。

题库看题型，面经看流程；两者都会过期，所以每条标了可信度和衰减。

STAR 只解决「讲一件事」；资深岗的行为面在问三样 STAR 不覆盖的东西：

1. 讲清自己设计的决策。 挑一个项目准备 45 分钟深挖，每个决策都带「为什么不选另一个」——面试官追问的永远是被放弃的那条路。写复盘文章时顺手把这句写进去，文章就是讲稿。
2. AI 合写的代码怎么脱稿辩护。 自己的仓库里绝大多数 commit 和 AI 合写，AI-native 雇主不介意，但会逐层问「这里为什么这么做」。准备方法：选一个模块，关掉 AI，把设计从约束到取舍讲一遍，讲不出来的地方就是要补的地方。
3. 价值观轮不是热情测试。 价值观轮要的是有依据的怀疑和不同意；读 Dario 的两篇长文和 Core Views，带一两个自己的分歧点进去。Amazon 的 Leadership Principles 轮同理：每条原则准备一个带数字的实例。

行为面只在冲刺期准备。

这一层的数字过期最快，所以本节点不写任何数字，只记三个来源和读法。

来源

• ATS 公示 base：Greenhouse / Ashby 的 job board API 直接给每条 posting 的 base 区间，是唯一的一手数据；站点每晚从这里取数，岗位页按族展示。
• Levels.fyi：自报 total comp，按公司 × 职级；数量大但偏向主动填报的人。

怎么读薪酬数据（三句）

1. 公示的是 base，不是 total comp；实验室的差价主要在股权，startup 的差价在估值，两者都不在 posting 里。
2. 一个区间要看样本量和职级：同一 title 跨三级时区间会宽到没有信息，先按 Levels.fyi 的职级拆开再比。
3. 比趋势不比点值：同一来源、同一口径、隔一段时间再取一次，才知道带子在动还是自己在看噪声。