最近我在梳理技术团队的人才评估标准时明显感觉到2026年的招聘风向已经和去年完全不同了。过去大家聊AI更多是“你用过哪些AI工具”现在前端、后端、算法三个岗位的JD里AI技能已经从锦上添花的加分项变成了明晃晃的必选项。特别是对标一线大厂的核心业务团队面试官不再问“你会不会调大模型API”而是直接要求候选人讲清楚你怎么做RAG、怎么优化推理延迟、怎么设计Agent任务链路、怎么评估模型效果。这篇文章我打算把三岗位的AI技能清单拆开揉碎按“基础必须掌握、进阶加分、大厂面试高频题”三层来讲同时结合我自己带项目和筛简历时的一些实际感受。如果你正在准备春招、暑期实习或者刚转行AI方向这份清单可以直接拿来对照自测。1. 为什么2026年AI技能不再是加分项1.1 岗位需求的变化从会用工具到底层逻辑三年前简历上写一句“熟悉ChatGPT使用”可能还能博眼球。现在再这么写面试官只会觉得你没有深入思考。大厂业务对AI的依赖已经从“偶尔调用”变成了“核心链路的一部分”。前端要处理模型流式输出、端侧推理、交互降级后端要保证RAG系统在高并发下的稳定性、可控成本算法岗更是直接背上了数据、训练、评估、部署的全链路责任。所以你会发现2026年的岗位要求不是“你懂一点AI”而是“你能用AI解决真实业务问题”。这背后需要的是工程化思维怎么做限流、怎么缓存、怎么评估效果、怎么监控模型退化。单纯会“调包”已经很难通过一面了。还有一个重要变化是面试官自己也在用AI准备面试题。他们更清楚哪些知识能通过搜索引擎快速获得哪些能力必须靠动手积累。底层逻辑、系统设计、成本控制、容错方案这些是AI替代不了的经验壁垒也正是大厂真正想看的东西。1.2 哪些技术栈会真正沉淀下来说实话AI技术迭代太快2024年还在聊的很多框架到了2026年已经被重构。但有些底层原理不会过时大模型API的基本交互逻辑流式、函数调用、多轮上下文管理。向量检索与RAG流程切分、嵌入、召回、重排、生成。Agent的任务拆解与工具调用协议。模型推理的延迟、吞吐、成本优化思路。数据闭环和评估体系没有评估就没有迭代。工具库可以换但解决问题的框架会留下来。所以这份清单里我不会列一大堆注定被淘汰的琐碎库而是把三个岗位最核心的AI工程能力讲透告诉大家这些能力背后对应的面试题和实战项目应该怎么做。2. 前端岗位AI能力从调接口到模型的终端宿主2.1 必备AI技能清单速览前端岗位在AI团队里的角色正在发生质变。过去前端只是把后端返回的JSON渲染成页面现在前端要直接面对模型输出负责流式渲染、交互状态管理、提示词注入防护甚至要把小模型搬到浏览器里跑。我整理了下面这个清单你可以对照检查能力层级技能点大厂面试考察方式基础必须掌握大模型API对接HTTP/WebSocket/SSE、流式渲染、AbortController中断、Markdown/流式内容解析现场手写一个带流式输出的聊天组件进阶加分LangChain.js、Vercel AI SDK、RAG前端链路、Function Calling、提示词动态组装、上下文记忆设计一个PDF问答页面讲清楚前端如何参与RAG高阶加分WebLLM/Transformers.js、WebGPU、WebAssembly、端侧小模型部署、MCP协议、浏览器AI生态是否做过端侧推理Demo处理过兼容性问题2.2 前端AI应用开发的三个层次第一层也是最常见的调大模型API做一个流畅的聊天对话框。别小看这件事很多候选人栽在细节上。比如流式输出时如果用户反复点击发送你怎么处理要不要取消上一个请求错误之后要不要重试上下文数组怎么裁剪Token超限了怎么办大厂面试不止要你写功能还要你考虑边界和异常。我自己的经验是流式输出的前端实现有几个容易忽略的坑第一一定要用AbortController去中断的请求否则组件卸载后回调还在执行会报内存泄漏警告第二SSE流的JSON切片可能把一个中文字符拆成两半你需要做缓冲和拼接不能直接JSON.parse第三渲染Markdown时要小心xss注入模型如果被提示词注入返回的内容可能包含恶意脚本前端必须做过滤或使用安全的markdown渲染器。第二层前端主动参与RAG链路。大厂很多AI应用是知识库问答前端不能只是傻等后端结果。你可以自己用LangChain.js在前端完成文本切分、向量化、检索甚至调用本地模型生成摘要。这样做的优势是用户数据不用全部上传隐私性好。缺点是前端性能压力大所以要在“全端执行”和“后端兜底”之间做降级设计。我在做某个跨平台系统Demo时前端需要支持用户导入一个PDF后提问。当时我们做了两套方案PC端直接用WebLLM在本地跑小模型移动端因为性能不足自动切换成后端API调用。这个降级逻辑看起来简单但实际上需要处理很多状态同步问题比如本地上已经加载的向量索引怎么复用模型切回后端后上下文是否还连续。这些细节反而是面试官最想听你讲的东西。第三层端侧AI与AI原生交互。2026年浏览器能跑的不再是简单demoWebGPU的普及让小模型的推理速度大幅提升。前端可以借助WebLLM、Transformers.js在用户的浏览器里跑3B、7B甚至13B的量化模型。这意味着你的应用可以不依赖后端离线也能工作这对隐私敏感场景比如医疗文本、笔记内容非常有吸引力。踩过的坑提醒不要一上来就追求在浏览器跑大模型。模型加载时间、显存占用、浏览器兼容性都要考虑。我实测下来在Chrome上通过WebGPU加载4bit量化的7B模型首包大概需要2~4秒之后每个token生成速度在20~50毫秒左右但如果用户用的是Safari很多WebGPU特性不支持必须切到WebGL或者CPU后端。所以做之前先给用户弹个兼容性检测。2.3 大厂前端面试高频考察点与实战场景现在大厂前端面的AI题往往围绕真实业务展开。我总结几个高频场景第一个写一个类似“AI搜索框”的组件支持用户输入问题、流式显示答案、点击停止、重新生成、多轮上下文。看似简单但考察点密集。你需要理解流式协议、并发控制、错误处理、状态管理、以及如何优雅地在列表中插入流式更新的token。第二个如果让你设计一个“合同条款问答”的前端页面合同PDF有几十页前端怎么处理很多候选人会直接说“把PDF传给后端”但更好的回答是“先在前端用PDF解析库抽文本用JS分块后调嵌入模型做向量化检索在本地或后端完成高亮引用的原文片段”。这个回答展示了你对RAG全流程的理解而不是只会调接口。第三个“如何在前端做提示词注入防护”这个问题现在真的很常见。后端会有系统提示词但前端可能会拼接用户输入。如果用户输入的文本里带有“忽略之前的指令”直接拼到Prompt里就危险了。你可以回答把用户输入作为不可信数据限定在数据区对引用的文档内容做truncation后端再做一层校验。前端不能只想着界面要考虑到模型层面的安全。第四个性能优化。流式聊天组件在快速产出token时可能造成频繁重渲染。推荐用“增量更新 不变量引用 虚拟滚动”的优化方案。同时用Web Worker去做文本解析和向量化这样主线程卡顿会明显减少。3. 后端岗位AI工程的扛把子拼的是系统稳定性与成本3.1 必备AI技能清单速览后端是AI落地的核心承载者。前端体验再好后端如果扛不住并发、控制不住成本、没有容错机制AI应用一样会翻车。大厂后端AI岗位现在更偏向“AI工程化”不是普通CRUD而是围绕模型服务、检索系统、Agent编排、数据管道来做系统设计。能力层级技能点大厂面试考察方式基础必须掌握Python/Go、异步编程、MySQL/Redis、消息队列、缓存、Docker设计一个高并发的AI问答接口进阶加分FastAPI/GRPC服务化、向量数据库、RAG Pipeline、Embedding模型、Prompt管理、流式网关、限流手写一个RAG检索服务高阶加分vLLM/Triton推理服务、TensorRT、ONNX Runtime、GPU显存优化、K8s弹性伸缩、Ray分布式、成本估算优化一个大模型服务吞吐到XX QPS3.2 RAG服务化落地的关键环节RAG已经是后端AI项目的基础但能在生产环境稳定运行的RAG没有想象中简单。我会把它拆成几个环节讲。数据接入与解析输入可能是PDF、Word、网页、数据库。PDF解析尤其痛苦有的PDF是扫描件要先OCR有的PDF排版混乱段落会被切断。你需要在解析阶段保留文档结构比如标题层级、表格、图片。否则后续切分效果会很差。我的做法是先用结构性解析工具抽出块信息再根据语义相似度合并相邻短块这个步骤能明显提升召回。切分策略无脑按固定字符数切分是新手最容易犯的错误。固定切分会把一个语义完整的段落硬生生切成两半检索时匹配不到完整信息。我建议按“标题层级优先辅以段落边界最后才用max_tokens控制上限”的方式来做。如果一个段落太长用重叠窗口切分保证上下文连续性。嵌入模型选型不要一上来就用最大的Embedding模型。先考虑维度、成本、语言适配。中文场景要选在中文语料上训练过的模型。嵌入模型也分不同用途用于检索的模型和用于聚类的模型不一样。我们通常用多个候选模型做线上效果对比而不是只看离线指标。这步很花时间但非常值得。向量数据库与混合检索存向量只是第一步更重要的是检索策略。纯向量检索在某些领域比如法律、医疗表现不一定好因为术语很精准语义近似反而匹配差。所以大厂基本都会做“BM25稀疏检索 向量稠密检索”的混合召回再用RRFReciprocal Rank Fusion或重排模型把结果融合。这个组合在实际项目里效果稳定得多。生成阶段检索到的上下文和用户问题一起交给大模型。这里有一个关键点上下文窗口不是无限塞塞得越多模型越容易迷失也越慢越贵。你需要设计“上下文压缩”逻辑去除无关段落只保留与用户问题最相关的内容。同时要控制引用来源让模型学会用[来源1]这样的格式标注。这样才能做可信AI。评估与迭代RAG上线后不能只看几个case觉得“不错”。建议你构建一套包含“检索命中率、生成忠实度、答案相关度、引文准确率”的评估集用RAGAS这类框架做自动化评测。我见过很多团队辛辛苦苦搭好RAG最后因为没有评估体系优化全靠感觉结果越改越差。这是最值得投入时间的地方。3.3 模型部署与推理优化的经验后端AI越来越拼推理性能因为大模型推理成本很高。如果你只是调别人的API这关可以略过。但如果你要把开源的Qwen、LLaMA、DeepSeek系列模型部署到自己的服务里就必须理解推理优化。首先说显存占用。7B模型FP16权重大约14GB加上KV cache和激活值一般需要24GB显存。如果放到A1024G上必须用量化。4bit量化之后权重只有约4GB可以轻松放进一张卡但精度有轻微损失。你要根据业务场景做取舍。推理框架方面vLLM是当前主流它支持PagedAttention、连续批处理、前缀缓存能够把吞吐提升数倍。相比简单用Transformers库的generate方法vLLM的吞吐可能有5到10倍差距。再讲一个容易忽略的点模型服务化不能只暴露一个生成接口。你需要考虑流式输出、健康检查、预热、优雅退出、超时控制。模型在冷启动时加载很慢所以上线前要做预热把权重加载到显存。K8s上要做多副本和HPA。GPU是稀缺资源不能像普通服务一样随便扩缩容最好根据排队长度做弹性伸缩。另外长上下文场景的优化也是重点。现在模型支持几十万token但实际推理速度会随序列长度增长而显著变慢。你可以用prompt缓存将系统提示词和文档前缀缓存下来这样重复请求能省去prefill时间。如果你的服务偏向多轮对话还要考虑历史token裁剪策略。成本控制是后端AI另一个大厂面试常谈的话题。面试官很可能会问你如果现在线上请求量很大但成本飙升你怎么优化你需要从模型选型、量化、缓存、网关限流、降级方案全链路给出答案。3.4 后端AI面试高频考察点后端AI面试最经典的场景题是设计一个企业知识库问答系统支持2000人同时使用要求平均首token延迟小于1秒总回答时间小于8秒怎么设计回答时不要一上来就摆技术栈先拆架构。入口有网关做鉴权和限流请求先到队列模型服务是多副本前面有缓存层。如果命中缓存直接返回没命中则走RAG流程先向量检索关键词检索再重排拼接Prompt最后调用模型推理。文档更新时通过异步任务同步到向量库避免写入影响在线查询。同时要设计降级方案模型服务挂了可以返回缓存的相似答案或提示用户稍后重试不能让整个系统雪崩。这类题考察的是系统设计能力不是具体框架。你需要在答完技术方案后主动聊监控指标QPS、缓存命中率、检索耗时、GPU利用率、首token延迟、错误率。这样会给面试官留下“可落地”的好印象。还有一类的原理题“为什么RAG要用混合检索”可以回答向量检索擅长语义相似但对精确术语和ID匹配差BM25擅长关键词匹配但对同义改写无能为力。两者融合能互补。同时RAG还需要重排模型因为向量召回的top10可能有很多噪声重排模型能精排。4. 算法岗位从刷模型到造数据、调系统、抠成本4.1 必备AI技能清单速览算法岗原本是AI的核心但在大模型时代算法工程师的职责边界扩大了。你不只是训练模型还要管数据、做评测、调推理、写训练代码、维护实验环境。大厂算法岗面试也更看重“用数据说话”。能力层级技能点大厂面试考察方式基础必须掌握机器学习/深度学习基础、PyTorch、NLP/CV常见任务、训练推理全流程手推Transformer/反向传播解释损失函数进阶加分分布式训练DDP/DeepSpeed、LoRA/QLoRA微调、数据构造与清洗、效果评估、RLHF/DPO深挖一个微调项目的数据配比、训练参数、评测指标高阶加分多模态模型、模型量化蒸馏、推理引擎优化、AutoML、持续学习、大规模数据管道现场设计一个“多模态问答模型”的训练与评估方案4.2 数据工程与评估体系是真正的分水岭很多人以为算法岗每天在做模型结构设计但真正在大厂做过项目的都清楚数据才是决定效果上限的因素。同样的开源模型有人微调后效果飞跃有人反而变差差别往往在数据。数据构造微调数据不是越多越好关键在“分布准确、覆盖边界、难度适中”。从通用语料里直接抽句子当指令数据是错误做法因为模型学不到指令遵循能力。需要构建“指令-输入-期望输出”的三元组而且要有一定比例的负样本。比如“模型答非所问”“引用不存在的信息”等badcase都要收集。我自己做过一个模拟文本分类项目的微调刚开始用公开的通用语料效果提升很小。后来从业务日志里扒出真实badcase再人工标注了5000条高质量样本效果立刻上来了。这让我深刻意识到闭门造数据没有用必须贴近真实使用场景。数据配比也一样重要。通用数据太大会稀释领域能力领域数据太多可能会导致灾难性遗忘。常见做法是混合比例控制在“领域数据:通用数据1:4到1:10”之间然后通过小规模验证集反复调。评估体系算法岗面试时一定要能够说出你用了哪些指标。大模型生成任务不能用简单的accuracy因为答案可以有多种表达。你需要用“语义相似度 规则命中 人工盲评”相结合。线上还要看用户反馈比如点赞、点踩、追问率。更专业的做法是构建一个包含“有用性、忠实度、安全性、格式正确性”的多维评估框架定期组织标注团队打分。目前开源社区里有很多评测工具比如RAGAS、DeepEval等但它们的默认指标未必适合你的业务。你得学会自己写评估Prompt让一个大模型给另一个大模型的答案打分同时要校验打分稳定性。否则辛辛苦苦做出来的评估体系可能噪音很大。4.3 多模态、强化学习与模型压缩的真实权重2026年纯文本模型已经不够用了。无论是办公场景的图文理解还是营销场景的视频生成算法岗都要接触多模态。面试中高频考察怎么把图片编码成视觉token怎么对齐文本与图像特征怎么设计跨模态的指令数据。你不一定要从零训练一个多模态模型但至少要知道CLIP类模型的工作原理会处理图像和文本的联合表征。强化学习相关技术也很热。大厂尤其关注RLHF/DPO、安全对齐。你不需要能手推PPO全部细节但要能说清楚RLHF和DPO的核心区别RLHF需要训练一个奖励模型然后做强化学习流程长、不稳定DPO直接基于偏好数据优化策略更简单、更稳。面试官往往更关心你怎么构造偏好对数据比如两个答案哪个更好为什么好这比背公式更贴近实战。模型压缩在端侧和私有化场景是重头戏。你要熟悉量化PTQ、GPTQ、AWQ和蒸馏。实际项目里把一个大模型蒸馏成小模型往往比直接用小模型微调效果更好。蒸馏时不仅要用教师模型的软标签还要注意温度参数的选择。量化时最容易踩的坑是只看权重误差不看生成效果。有些层对量化特别敏感需要混合精度处理。4.4 算法岗面试高频考察点与准备方向算法岗面试流程通常包含算法题、模型原理、项目深挖三部分。模型原理题常见的有Transformer的self-attention计算复杂度是多少为什么是O(n²)LoRA的原理是什么如果rank设为64效果反而不如rank8可能是什么原因RLHF和DPO核心区别是什么DPO的损失函数是怎么推导的你如何判断一个微调模型是否有“幻觉”怎么减少这些题目靠背八股不够最好是从自己的项目出发。面试官让你讲项目时会一层层追问你数据怎么清洗的训练时怎么设置学习率loss曲线长什么样线上badcase是哪些你怎么迭代如果都答不上来简历写得再花哨也撑不住。我的建议是算法岗候选人至少完整跑通一个“数据构造-微调-评估-部署”的闭环项目。哪怕只是基于开源小模型做一个领域问答助理也能让你在面试时讲出别人没有的细节。5. 三个岗位的共同底座AI编程、Agent知识与工程素养5.1 会用AI写代码只是入门能拆任务才是核心2026年的工程师如果还不会用AI编程工具在面试中会非常吃亏。但这里说的“会用”不是指装个插件看自动补全而是利用AI做正确的事情把复杂需求拆成小任务让AI逐步生成代码对AI生成的代码做代码评审遇到bug时把报错、日志、需求背景一起整理给AI快速定位问题。我工作里已经把很多重复编码任务交给AI了比如写单元测试、生成CRUD接口、做数据清洗脚本。但核心的系统设计和架构能力AI没法替你决定。所以面试时我不会问候选人“你用没用过Copilot”而会问“你怎么判断AI生成的代码是否安全怎么验证它不会引入越权和SQL注入漏洞”这考察的是工程判断力。平时练习时我建议给自己设定一个规则AI生成代码后必须逐行review能说清楚每一段在做什么。如果看不懂的代码不要盲目合并。这一习惯能让你快速成长也能在面试里讲出真实细节。5.2 Agent/RAG/Prompt三者关系必懂这三者是2026年AI应用里绕不开的概念三个岗位面试都可能会问。你需要在理解各自定义的基础上说清它们如何配合。Prompt是与大模型沟通的“输入模板”它决定模型的输出风格和约束。好的Prompt不只是“请回答”还要包含角色、任务、输入、输出格式、边界约束、few-shot示例。RAG是给模型外挂知识库解决模型不知道最新信息、容易胡编的问题。Agent是让模型具备“感知-决策-行动”的能力能够调用工具、分解任务、循环执行。三者的关系可以这样理解Agent调度整个流程RAG提供决策所需信息Prompt控制每次调用的输入和输出质量。面试常见题“如果让你做一个用户报障的客服Agent你会怎么设计”你应先声明主要用Agent做任务拆解识别用户意图查历史工单RAG调用工单系统Tool最终生成回答Prompt。如果工具调用失败还要有兜底话术。这会让你的答案明显更有层次。5.3 软技能与学习路径建议除了技术大厂面试还会关注一个候选人的表达和复盘能力。面试官喜欢听你遇到问题→思考原因→提出方案→验证效果的story。如果你只是叙述“我做了什么”没有“为什么这样做”和“后续怎么改进”会显得没有深度。学习路径上我强烈建议采用“项目驱动”的方式。前端可以做一个端侧AI文档问答后端做一个高并发RAG服务算法做一次领域模型微调。不要盲目追新框架先把一条链路彻底跑通。在跑通的基础上再横向扩展前端去了解后端接口设计后端去学一些模型推理细节算法去了解工程部署这样你就具备了大厂很看重的全栈AI意识。6. 我的实操经验与踩坑建议6.1 学习节奏与项目选择如果你是从零开始转AI方向不要试图一上来学完所有东西。我见过太多了收藏了上百篇教程最后连一个大模型API都没调通。建议用“最小闭环”作为第一步花两三天从注册大模型API开始写一个简单的流式问答函数。然后在此基础上逐渐加RAG加Agent加部署加评估。项目选择上切忌做一个烂大街的“聊天机器人”。你要找一个有真实使用场景、能体现你思考的项目。前端可以做一个“基于本地知识库的PDF问答助手”后端可以做一个“针对多个知识库的检索问答API支持混合检索和权限隔离”算法可以做一个“面向特定领域数据的模型微调与效果对比报告”。面试时项目不用大但要有完整的方案、难点、做过的取舍。我自己的经验是项目最好的“包装”不是把过程铺开而是提炼出亮点。比如你解决了某个模型的幻觉问题或者把检索延迟从800ms降到200ms或者设计了一套半自动数据标注流程这些才是真正值钱的东西。6.2 简历上怎么写AI项目才不虚写简历时要避免空话。比如“熟悉大模型应用开发”就没有任何区分度。你应该写“基于LangChain搭建RAG系统使用混合检索策略在领域数据集上回答准确率提升15%”。这里量化数字很重要而且数字必须来自真实的评估不是编的。简历上的项目描述建议包含四部分背景与目标、个人职责、技术方案、量化结果。比如“设计某法律文书问答系统负责文档解析与向量库构建采用BM25向量混合检索加RRF融合最终在100条测试集上回答正答率达到87%首token延迟低于800ms”。这样写面试官一眼就知道你做了什么、做得怎么样。如果真的没有大项目不要虚构。面试官深挖三句就会露馅。你可以做一个小而完整的开源demo并确保自己能够讲清楚每行代码的意图。诚实永远是最稳的策略。6.3 最后的小技巧把日常需求当AI用例练手我给自己一直保留一个习惯把每天重复的工作拆出来想想能不能用AI自动化。比如自动整理会议纪要、自动提取简历关键信息、自动生成周报、用本地模型对自己收藏的文章做一遍摘要归档。这些日常小项目不需要大厂业务数据不需要服务器资源但能让你持续积累真实的Prompt、模型选择、错误处理经验。时间长了你会发现自己不仅技术提升了看待问题的角度也会变。你不再关心某个框架有多火而是关心它能不能解决实际问题成本和收益是否合理。这种思维习惯才是真正能对标大厂的竞争力。
