企业官网建设流程全解析

版权与内容来源声明
本文为原创整理。文中涉及官方文档、开源仓库、论文与公开报道的内容，均在附表 A 中标注来源；引用官方原文保持原样，不作改写。文中命令、版本号与界面截图以本文成文时的实测/核验结果为准，标注「待验证」的部分请以你本地环境实际输出为判断依据。本文不推荐任何不合规的软件获取方式，也不对任何收益结果作承诺。转载请注明出处。

1. 先别问「哪边更好」，先看两边每天在干什么

1.1 一个具体到不能再具体的岔路口

你在传统技术岗上——Java 后端、测试、运维、数据分析，或者非科班自学进了这行。决定往 AI 走之后，招聘页面上会看到两串关键词：一串是算法工程师 / 大模型算法（听起来是「做模型」的），一串是大模型应用开发 / AI 应用工程师（听起来是「用模型」的）。很多人卡在同一个问题：我该报哪一串？

先把两个词用人话说清：

• 算法岗：改模型本身的人——数据怎么配、模型怎么训、参数怎么调、效果怎么量。
• 应用岗：把训好的模型接进业务系统的人——模型是黑盒，他负责让黑盒稳定、可控、能上线。

1.2 为什么不建议用「哪边更好」来选

「哪边更好」本身没有答案，因为两边的好是不同种类的好。有答案的问题是另一个：哪一边的日常动作，你现有的经验能立刻上手一半？

回答它靠两张表：**表一（第 1.3 节）**是两边「一天在干什么」，**表二（第 4 章）**是两边「被考什么」。顺序不能反——日常决定你每天投入什么；先照面试题挑边，很容易挑到「题能背、活干不动」的方向。

1.3 表一：一天在干什么

这张表只需要看两列：算法岗的不确定性是「有没有变好」，应用岗的不确定性是「会不会出事」。这是后面所有判断的起点。

2. 表一左边：算法岗的一天怎么排

2.1 数据、训练、调参、评估

• 数据：清洗、去重、构造训练样本。这一步最不出彩，但往往决定效果——模型只在见过的样本类型上稳定。
• 训练：让模型在数据上更新参数。两个词要人话解释：**精度（FP32 / BF16）**指模型内部每个数用多少位来存，位越多越准、越占显存；4 比特量化指把每个数压到只留很少的信息，模型变小、跑得动，代价是精度可能下降。
• 调参：调训练里的旋钮，比如学习率（每步更新迈多大步子）、批大小（一次看多少条样本）。
• 评估：最容易被非科班低估的一件。它不只是「跑一下看看」，而是先定义「什么叫好」，再让这个定义能被别人复算。指标名F1分数就是这类定义的一种：把「找得准」和「找得全」合成一个数，好处是能横向比，代价是掩盖了两者的取舍。

这四步会产生大量中间结果，所以算法岗几乎必然依赖实验记录工具。MLflow 官方文档对 MLflow Tracking 的定位是：一套记录参数、代码版本、指标与产物文件并可事后可视化的 API 与界面；它的组织核心是运行（run，一次代码执行）与实验（experiment，把同一任务的多次运行归到一组）。

2.2 读论文和跑实验：被忽略的两种体力活

非科班常以为算法岗的难点在数学，实际占比很大的两件事是读论文和跑实验。

读论文不是为了把公式全推一遍，而是回答：这个方法能不能搬到我手上的问题上？标准很朴素——它要的数据我有吗？它的改动我这轮做得完吗？

跑实验是体力活加一点纪律：每轮都要说清「改了什么、结果如何、下一步」。没有记录的实验等于没做。

下面是一份实验记录的字段示例，没有在真实训练任务上跑过。

⚠️代码待验证

experiment:"对比两种训练数据配比"# 一次实验的名字runs:# 同一实验下的多次运行（run）-run_name:"baseline"changed:"无，作为基线"# 这一轮改了什么metrics:f1:"记录本轮评测的 F1分数"conclusion:"作为后续对比的参照"-run_name:"mix-b"changed:"调整了训练数据的类别配比"conclusion:"上升则保留，下降则回到基线"next_step:"在留出集上复跑一次，确认不是数据泄漏导致的虚高"

最后一行是这类记录里唯一不能省的一行：你要提前写下什么情况算「不算数」。

2.3 一个常见误解：算法岗不等于「天天调参」

调参是动作，不是目标。真正区分水平的，是能不能把一个模糊目标（「回答得更好」）翻译成可复算的评测口径。

这一点在交付环节最明显。论文《Model Cards for Model Reporting》提出的**模型卡（model card）**做法，核心诉求是：发布模型时附一份文档，写清它打算用在哪、性能怎么测出来的、什么条件下表现不好——防止模型被用在并不适合的场景里。算法岗交付的不只是模型文件，还有它的边界说明。

3. 表一右边：应用岗的一天怎么排

3.1 接口集成与流程编排

应用岗日常里最基础的两件事：

• 接口集成：把模型当成远程服务调用，处理鉴权、超时、重试、并发与兜底。听着不像「AI」，但占掉的时间很多。
• 流程编排：把「先检索、再生成、再校验格式」串成一条链路；每一步都可能失败，链路要能告诉你失败在哪一步。

举个例子：返回鉴权失败时，正确动作不是重试到天亮，而是立刻停止、记下请求标识。这条判断是纯工程常识，也是传统技术岗转过来的人最容易占优势的地方。

⚠️代码待验证

一条最小链路的四段与各自的失败面： 取上下文 → 数据源不可用、内容超长 组装提示词 → 模板变量没填全 调用模型 → 鉴权失败、超时、被限流 校验输出 → 结构不合规、答非所问 每一段都要说清：出错时是「硬拦」「降级」还是「只记录」。

3.2 提示词、评测与回归

LangSmith（LangChain）官方文档《Evaluation concepts》的定义是：大模型输出是非确定性的（同一输入两次跑结果可能不同），质量因此很难判断；评测就是把「什么是好的表现」拆解开并量化。该文档说明，离线评测有四类用途：基准测试、回归测试、单元测试、回测；其中回归测试可以写成断言——新版本必须在相关指标上优于基线版本，否则不通过。

这也点出了应用岗的核心工作方式：上线前先攒一批带参考输出的题目，上线后让真实流量补题目。该文档建议从人工精选手写的高质量示例起步，先覆盖常见场景与边缘案例，再把线上异常流量转成新示例；这类评测可用常规测试工具（如 Python 生态常见的 pytest）写成，接进既有集成流程。

下面是一份评测样本的字段示例，没有在真实服务上跑过。

⚠️代码待验证

{"输入":"用户原话，不改写成更顺口的版本","参考输出":"只给评测器对照用，不传给应用本身","评判方式":"代码规则 / 人工判读 / 模型打分，三选一并写明理由","停手条件":"哪一类样本连续两轮没有改善，就不再为它投入"}

真正需要写进规范的是最后一行。没有停手条件的评测集，会变成一份只增不减、谁也不敢删的负担。

3.3 上线、监控与业务对齐

监控这一层已有相对统一的做法。OpenTelemetry 的生成式 AI 语义约定（semantic conventions，即「给同一类数据起统一的名字」，让不同工具采到的数据能对得上）已独立成仓维护，覆盖生成式 AI 客户端、模型上下文协议（MCP）与厂商特定约定，定义三类信号：跨度（span，一次调用的完整记录）、指标（metric，可聚合的数值，如耗时与用量）、事件（event，值得单独记下的时刻）。截至 2026-10-13 该仓库仍在演进中。它的意义是：你不用自己发明一套日志格式来表达「这次调用花了多久、用了多少 token」。

业务对齐是最不像技术的一份工作：把「模型变好了」翻译成业务方能听懂的一句话。翻译不好的典型症状是：你拿着一堆指标说效果提升，对方只回一句「所以用户会少打几个电话给我吗」。

4. 表二：被考什么

4.1 两类岗位的考察重心

下面这张表是对两类岗位公开职责描述与常见考察方向的定性归纳，不引用任何统计数字，也不指代具体公司的题目。

注意一件事：两边的重叠区是「实验素养」和「数据工作」。重叠区就是后面要讲的迁移枢纽。

4.2 追问的方向不一样

两类考察的差别不在「问什么题」，而在顺着哪条线往下挖。下面的路径是本文构造的示意。

两条路径的第三层都能把人问穿，但方式不同：前者考你的结论泛不泛化，后者考你的系统稳不稳。

4.3 一句可以自测的判据

如果你的表达方式是「我做了 A，结果 B 变了」，且能说清 A 到 B 的因果，你更接近算法岗；如果是「我改了 A，系统没有因此坏掉」，且能说清你用什么方式确认了这一点，你更接近应用岗。

这不是能力高低之分，是思维习惯之分。习惯可以练，所以「选错边」的成本远比想象中低。

5. 非科班怎么用这两张表做判断

5.1 先看可迁移资产落在哪一边

非科班转行最怕的不是「懂得少」，而是把已有的资产清零重新开始。下面这张表把常见经验按「在哪一边更值钱」排一遍。

判据：把上表里你「高」的那几行圈出来，看它们集中在哪一列。集中在右边，先走应用岗是顺着势走；左边也有好几行「高」，那你两边都能试，只是顺序问题。

5.2 再看岗位供给与自己的时间预算

这一节只做定性判断，不给任何数字，因为数字会过期，判断方式不会。

• 入口宽窄：应用岗的职责项里工程能力占比更高，从传统技术岗切过去更直接；算法岗更看重「你之前做过什么跟模型相关的事」。
• 可拆解程度与容错：应用岗的链路能一段段交付（先跑通调用、再加评测、再加监控），适合碎片时间；算法岗一轮完整实验需要连续时间块。要尽快有一条能讲清楚的经历，先从能小步交付的一边入手。

一句话：时间预算决定的是「先做哪一边」，不是「永远只能做哪一边」。

5.3 一张判断清单

第 7 条必须先答。先清点资产，再谈方向；顺序反了，容易选到一个自己其实进不去的方向。

这份资料是什么：「大模型学习路线图」把从零基础到能自己动手做 Agent 的路径按阶段拆开了，每一阶段都写清了要练的动作，正好可以拿第 5.3 节的清单先给自己定位、再挑起点。放在资料包里，扫码即可获取：

6. 三个容易被说错的地方

6.1 应用岗不等于「只会调接口」

「只会调接口」的错，在于把应用岗的浅水区当成了全部。这张表把两档分开。

深水区里没有一行需要你写训练代码，但每一行都需要长期积累。这也是应用岗不是「临时跳板」的原因：它自己有一条完整的纵深。

6.2 算法岗也不是唯一的技术上限

把技术上限等同于「改模型」是一种错觉。技术上限的本质是你能解决别人解决不了的问题，而这类问题两边都有：算法侧是「现有方法就是不行」，应用侧是「这条链路在真实流量下就是不稳」。

应用岗的深水区还有个特点：离业务更近，反馈更快——不是说它更容易，而是同样时间里你能试更多次。

6.3 两边之间可以迁移，枢纽有两个

两边不是两条平行的河，它们之间有两座桥。

• 桥一：评测。算法岗用它判断「模型改动有没有让它变好」，应用岗用它判断「链路改动有没有把它弄坏」。动作同构，只是对象不同，习惯可以直接搬。
• 桥二：数据。算法岗造训练数据，应用岗造评测数据；构造纪律相通——先定义「好」，再覆盖常见与边缘情况，最后留出只用于验证的那部分。

支撑两座桥的工具也是同构的：MLflow 用运行和实验组织一次次训练尝试，LangSmith 用示例、数据集和实验组织一次次评测尝试，两边都支持并排比较多个实验。命名不同，干的却是同一件事：把「好不好」变成别人也能复算的东西。

7. 选错一边的沉没成本，体现在哪里

7.1 沉没成本不是「时间花了」

时间花了不算沉没成本——时间在任何一边都会花掉。真正的沉没成本是下面三件事。

第三行最要命。「学过」和「做过」之间的差距，靠再学一门课是补不上的。

7.2 三个把成本压到最低的动作

这三个动作的共同点是：都可撤销——做完之后你换方向，前面的投入仍能带走一部分。

动作一：两周做一个小闭环，不求大。选一个真实存在的小需求，从输入到输出全部打通，哪怕只覆盖一种输入类型；价值不在成品，而在你被迫做了取舍。

动作二：先交出「可演示的过程」，再谈方向。演示的不是效果，而是你怎么判断它有没有做好——判据是什么、什么情况下你会认输。

动作三：评测先写，方向后定。先为手上的任务写几张带参考输出的样本，再想「要不要深入算法」；写评测会自动告诉你：你更享受「把标准想清楚」，还是「把方法改到更好」。

三者连起来就是一条可撤销的起步顺序：写样本定义「好」→ 跑通最小链路 → 记下第一轮基线 → 每次只改一处看变化方向 → 写成一份能给别人看的说明。任何一步做不下去，说明你缺的是那一步对应的能力，而不是「你不适合 AI」——卡住的位置本身就是诊断结果。

7.3 三个月后的四个检查点

走完三个月，用四个问题给自己做体检；答不出任何一个，方向就需要重新校准。

第三个最反直觉：能讲清失败的人，通常比只能讲成功的人更可信，因为失败场景无法从教程里抄。

到这里，两张表就用完了：表一说明两边每天在干什么，表二说明两边被考什么；可迁移资产决定你先走哪边，评测与数据这两个枢纽保证你随时能换边。方向不是选出来的，是先小步验证出来的。

这份资料是什么：「AI 大模型知识库」里有 Agent Skills 从入门到落地的专题，讲的是怎么把一件事的输入、输出和边界写清楚——和本章「先定义标准、再谈方法」是同一种思路。放在资料包里，扫码即可获取：

附表 A：本文引用事实与出处对照表

附表 B：术语速查表

写在最后：这篇用到的资料

写这篇文章时，把相关的官方文档和源码又翻了一遍，顺手也整理了几份配套的东西：

• 大模型学习路线图：从零基础到能自己动手做 Agent，按阶段说明每一步该学什么、哪些可以先跳过
• 《LangChain + LangGraph + MCP 智能体开发实战》视频课：7 个模块，从私有化部署、Embedding+RAG 到 MCP+Agent 全流程
• AI 大模型知识库（在线可查）：Agent Skills 从入门到落地、Claude Skills 完全指南等专题，按目录浏览即可
• 640 套 AI 大模型行业报告 + 经典 PDF 书籍：看行业落地案例和别人怎么做的时候用得上
• 大模型零基础到精通教学视频：跟着敲一遍，比只读文档快得多

资料是我自己整理的，放在下面这个码上，扫码即可获取：

添加时备注「AI」，优先通过。

资料按「先路线、再动手、最后查漏」的顺序整理好了，建议先看学习路线那一份，照着它挑一条适合自己当前基础的路径再往下看。