高考生填志愿前，都該讀一遍DeepSeek的招聘帖

張無忌接任明教教主，是整部《倚天屠龍記》里最沒道理的一次人事任命。

他壓根沒想當英雄。

剛從山谷里爬出來，江湖名望和門派身份白紙一張，履歷硬要寫，只有一句「曾在蝴蝶谷隨胡青牛學醫，肄業」。進光明頂，還是縮在說不得的乾坤一氣袋里被扛進去的。

偏偏就在那一刻，明教高手傷的傷，殘的殘，六大門派圍在外頭，眼看要滅門。金庸不安排德高望重的老前輩出場主持大局，也不讓明教開會審一審他的資歷。強敵當前，規矩讓位于實力，誰接得住招，誰就站到了中間。

擱在如今的 AI 時代，我們又迎來了一個新的光明頂時刻。DeepSeek 前幾天廣發英雄帖，公告里提到「讓新人直接承擔最核心、最重要的任務」。

講真，這種話在招聘帖里見得多了，十句有九句是場面話。但若仔細剖析其崗位詳情，你會發現它是下了功夫的。而且，這種不按套路出牌的人才選拔機制，幾乎已經成了 AI 全行業的共識。

AI 時代，誰是下一個張無忌？

我們用 AI 抓取了 DeepSeek 官網上所有正在招聘的崗位，總共分為 7 大類，36 個崗位：

涵蓋全棧開發、算法研究、核心系統研發、運維、產品、數據策略以及深度學習研究，并輔以 HR、法務、財務和采購等職能崗。

招聘范圍從北京、杭州，一路延伸至內蒙古烏蘭察布的數據中心。

縱觀全局，純粹的模型研究員的占比并不高。更多的崗位涉及數據治理、評測機制、Agent 系統、超大規模算力集群，以及數據中心的能源與散熱管理。

這說明 DeepSeek 對人才的要求，早已不局限于模型訓練本身。模型是露在外面的招式，底下的數據、評測、算力、基建，才是內功和筋骨。

攤子鋪得這么大，按常理該去重金延請成名多年的老將，但在實際招聘中，DeepSeek 并未設立僵化的經驗門檻。

比如硬核的高性能算子崗位，加分項末尾綴著一句：「充分歡迎有熱情的白紙同學加入。」也多少映照了梁文鋒說過的 DeepSeek 招人看能力，不看經驗。

包括知名分析機構 Epoch AI 上個月把 DeepSeek、MiniMax、月之暗面、智譜、字節、阿里六家的招聘帖全扒了下來，一共 1604 份，再拿它們和美國頭部實驗室對比。

算下來有個很顯眼的差距：美國公司崗位平均要求 5.5 年經驗，中國這六家只有 1.6 年；而且校招崗位在中國實驗室工程崗位中占比接近兩成。

當然了，現實江湖畢竟不是爽文，絕沒有那么多無名小子天降機緣的白日夢。

比如多模態研究員的核心要求列了五條，末尾補了一句：「即使沒有上述特定經驗，只要基礎特別扎實、代碼能力極強、對多模態有極致渴望，我們也歡迎。」

你品品這個句式：經驗可以沒有，基礎特別扎實和代碼能力極強這兩個前提卻半分不讓。所以白紙同學的完整含義是：白紙可以，草包不行。

甚至算子團隊的自我介紹也提到：不和任何對手比性能，只跟硬件的物理極限比，對每一個 cycle 和每一瓦功耗有著近乎偏執的追求。
這是獨孤求敗，不跟人過招，只跟天過招。

預訓練數據、后訓練數據、Code Agent 數據、通用 Agent 數據、專業領域數據、AI 創作數據、情感智能數據，光數據和評測方向也招聘崗位，比正經研究員的坑位還多。

什么算好？專業領域產品經理的要求寫著，要能從知識準確性、推理質量、表達水準等多個維度對模型回答形成清晰的優劣判斷。

道理不難理解：當模型能生成的東西越來越多，稀缺的就成了判斷。就像風清揚教令狐沖，招式人人會使，哪一劍是活的，哪一劍是死的，得有人看得出來。

而這份眼力要用在哪兒，崗位詳情反復在念叨：真實用戶、真實任務、真實反饋、真實短板。

Agent Harness 的方向有研究員、工程師、產品經理三個崗位，但全是奔著讓模型進真實工作流去的。甚至這股務實勁兒連非技術崗都沒放過：全員都得會使 AI。

研究員的要求里寫著「善于使用先進 AI 工具提升工作效率」，這不稀奇；稀奇的是連數據產品經理都被要求熟悉 Prompt Engineering，能通過 Vibe Coding 等方式快速驗證想法。

把這些細節拼起來，AI 時代的人才畫像就出來了。整體的形狀像個啞鈴。一頭是極硬的底層功夫：數學、體系結構、系統工程，大模型往深處走，盡頭就是算力和數理。

另一頭是極深的專業縱深：醫學、法律、文學，領域專家的判斷力就是校準模型的標尺。兩頭中間橫著兩條通用要求，判斷力和 AI 工具，貫穿所有崗位。

而最尷尬的位置，留給了樣樣通，樣樣松的萬金油。巧的是，這份招聘啟事掛出來的時候，剛好趕上大批高考生正在焦頭爛額地填志愿。對他們來說，這 36 個崗位完全可以作為一份職業規劃參考指南。

讀懂這份武功秘籍，少走三四年彎路

填志愿難，難在從起點往前看，前面全是霧。招聘帖是從終點往回寫的，哪條路通到哪座山頭，寫得清清楚楚。

誠然，AI 行業瞬息萬變，誰也無法斷定三/四年后的專業風口在哪，但即便如此，透過它們去審視背后站著的幾大類專業，依然能為迷茫的當下提供一份極其珍貴的啟示。

塔尖的崗位吃什么專業，預訓練研究員的加分項里寫得明明白白：「NOI/CMO/CPhO 銀牌及以上，頂尖高校院系排名前 5%。」NOI 是信息學奧賽，CMO 是數學奧賽，CPhO 是物理奧賽。

也就是說，AI 公司最金字塔尖的研究崗位，點名要的是數學和物理的功底。

這不奇怪，深度學習剝開了看就是數學：scaling law、優化器設計、訓練動力學，全是數理功夫。所以數學系、物理系、統計系，從來都是進 AI 的正門。

此外，超算集群工程師的崗位要求，頭一條就是深刻理解計算機組成、操作系統、計算機網絡等核心原理。這些基礎知識，前些年多少學生覺得是老古董，考完就忘，寫業務代碼也用不上。

現在十萬卡集群一來，體系結構、編譯原理、分布式系統，老學問全部金貴起來。所以別光看專業名字里有沒有「智能」，翻課程表，看這些硬課開不開、開多深。

有些新專業名字很響，課程卻淺；有些老專業不時髦，反而耐用。

再比如，IDC 數據中心團隊。它給年輕工程師列出的加分專業是：「電氣/暖通/自動化/能源/通信/計算機/環境/土木。」這串看似分散的專業，其實正好勾勒出一座現代數據中心的完整輪廓。

對年輕工程師來說，這不僅意味著跨學科的機會，也意味著需要具備更綜合的工程視角：既要懂設備，也要懂系統；既要能解決現場問題，也要能參與整體優化。

理工科之外，文科的大門也在敞開著。

專業領域數據產品經理招小語種、醫學、法律，崗位要求里有一句話值得所有文科生和專業學科的學生學習：「我們不限定專業方向，每一個領域的縱深都可能是模型下一次突破的起點。」

圈一下這里的重點：縱深。法學生若能判斷一個法律回答是否嚴謹、能把復雜案例拆成可訓練的數據、能設計法律問答的評測集，其價值無可替代；反之，若只會死記硬背、套用模板，則極易被淘汰。

AI 創作數據產品經理也要文學審美，能夠把「寫得好不好」拆解為清晰、可衡量的能力維度。換言之，中文系、寫作出身的人，只要功夫真深，也能進入 AI 公司的核心崗位。

崗位表的末尾，藏著一個特別的名目，叫 AI 跨界技術人才。明寫著不設專業限制，要求里有一條是「在任何一個領域做到過極致，能證明自己的專注力和鉆研深度」，加分項的最后一行只有五個字：「不走尋常路。」

填報完志愿，終究是要上大學的。把 36 個崗位的要求和加分項全部攤開，你會發現它們翻來覆去說的是同幾件事。
攢作品是最重要的。預訓練研究員的加分項寫著「一作引用過 100 的文章」，后面跟了個括號：不要求已發表于期刊或會議。

同樣的邏輯貫穿全表，大型開源軟件的深度貢獻、優秀的個人開源項目、個人技術博客，跨界崗甚至支持曾經創過業，或從零到一做成過有一定影響力的事情。

能替你說話的，除了作品，就是當場見真章的比武。超算和算子崗點名 SC、ASC、ISC、PAC 這些超算競賽，NOI、IOI、ICPC 這些算法競賽，服務端崗還加了 CTF，道理相同，比賽要真打，湊數式的參賽經歷，反倒露怯。

當然，最重要的還是把 AI 用出體感。

專業領域崗要求「使用過多個主流大模型，能夠敏銳感知不同模型的能力邊界與差異」。高強度使用 AI，本身已經是 AI 時代下的基礎需求。而且這一項不挑學校，不挑專業。

預訓練崗的加分項里有在頂尖 AI 公司或實驗室核心團隊長期實習，作為主要貢獻者做出過用于主線模型的成果，所以實習要早找，而且要找真干活的那種。

更有意思的是，超算崗位末尾專門寫了一段「視野與思辨」，說廣泛的興趣，無論音樂、體育還是美術，都將為你帶來獨特的視角與創新靈感。光埋頭練功的人，成不了絕頂高手。

仔細想想，上面說的這幾件苦差事短期內都沒有回報，也沒人看見。開源貢獻不算學分，復現論文不發獎狀，HomeLab 更沒人給你鼓掌。

張無忌在山谷里的第四年，大概也是這么過的。

后來光明頂上，眾人只看見一個少年連接六大門派的高招，驚為天人。天上不降奇才，天上只降雨水。所謂奇才，不過是那些在山谷里無人問津的苦熬歲月，忽然有一天，被看見了。

而這樣被看見的機會，往后只會更多。

高考填報志愿，不過是選擇了一座山門；大學的數載光陰，才是修煉內功的關鍵；而畢業后的職業抉擇，則是真正的提劍下山。

如果你現在覺得手里空空如也，別慌。趁著還在山上，耐著性子去打磨。請相信，山谷里的日子，沒人看見，也都算數。

作者：莫崇宇