扒了 6 家大模型公司 1407 个技术岗 JD，看研发重心往哪挪
当下这波大模型公司，技术重心到底押在哪？看发布会、看博客容易停留在叙事层，更扎实的素材是招聘 JD——一家公司愿意开 headcount 的方向，就是它真愿意掏钱下注的方向。
我们把 OpenAI、Anthropic、智谱、月之暗面、字节跳动、DeepSeek 六家的公开招聘 JD 抓到一起，剔除商务、销售、法务、财务、人事、行政等非技术岗后，去重清洗剩下 1407 个技术岗：具体分布如下：
| 公司 | 技术岗 JD 数 |
|---|---|
| 字节跳动 | 779 |
| OpenAI | 310 |
| Anthropic | 203 |
| 智谱 | 63 |
| DeepSeek | 27 |
| 月之暗面 | 25 |
仔细看：核心模型研究仍是最大头，但 Agent/Coding 已经从"应用层"独立成军，成了 2026 年最明确的新重心。
研发重心：核心模型仍是最大头，但 Agent 已经独立成军
在这 1407 个技术岗里再做一轮按技术方向的二次分类——只保留核心模型/多模态/Agent/Infra 研究/数据评测/安全/对齐这些方向，不含通用后端/前端/客户端工程——得到 1023 个研发岗，按方向再拆一层，结构是这样的：
| 方向 | 合计 | 占研发比 |
|---|---|---|
| 核心模型研究 / 预训练 | 301 | 29.4% |
| 多模态（视觉/音频/视频/具身） | 246 | 24.0% |
| Agent / Coding | 183 | 17.9% |
| 训练 / 推理 Infra | 147 | 14.4% |
| 数据 / 评测 | 62 | 6.1% |
| 安全工程 | 62 | 6.1% |
| 后训练 / 对齐 / RL | 22 | 2.2% |
展开信息观察
核心模型研究：岗位数差的是组织方式
301 个核心模型研究岗里，字节一家占了 235 个（Seed、豆包、TikTok 搜索、广告各条线都在招大模型算法专家 / 算法 leader），智谱 14 个，OpenAI 和 Anthropic 各 22–23 个。这组数字要小心读。字节 235 不代表它"投了别人十倍的力气"，而是字节把模型算法岗按业务线（飞书、剪映、抖音、TikTok、火山引擎、广告）拆得很细，每个 BU 各招一份；OpenAI / Anthropic 把同类工作集中在研究院里，单岗覆盖的面更宽。
所以岗位数的国别分布主要反映的是"组织方式 + 业务线颗粒度"，不是"谁在基模上更舍得投人"。真正可读的信号在另一条：国内厂愿意把模型算法岗开到每一个 BU，说明大模型能力被当成各业务线的通用基础设施在配人；OpenAI / Anthropic 把研究集中在研究院，更接近"一个团队对外输出能力"的组织形态。
多模态：字节同时押内容生成和具身，OpenAI 只押具身
多模态 246 个岗，字节一家贡献了 217 个，铺在视觉、语音、视频生成这条"AI 内容生成"产品线上（对应豆包、即梦、剪映 CapCut）。OpenAI 在多模态上挂的岗位更少（约 17 个），Anthropic 几乎不碰（只有 Visual Knowledge Work、Audio 两个研究岗）。
真正分歧在具身智能 / 机器人这一支：
| 公司 | 具身相关岗 | 覆盖面 |
|---|---|---|
| 字节 | 23（PICO / 具身） | VLA 模型、运动控制、3D 仿真、XR 视觉、操作算法——当产品线在做 |
| OpenAI | 12（Robotics 专属） | 硬件（Electrical、Firmware）、推理、安全、数据采集——重建一个完整的机器人团队 |
| 智谱 | 3（X-lab） | 机器人导航 / 具身算法 |
字节同时押"内容生成"和"具身"两个产品方向，OpenAI 只押"具身机器人"研究，Anthropic 基本不碰具身智能的方向。
Agent / Coding：2026 年最明确的新重心，已经独立成军
183 个研发岗里 Agent 和 Coding 占了近两成，形态在三家头部高度一致——按"产品线"而非"功能模块"投入。
Agent 被当成一类独立"模型形态"做后训练。 OpenAI 把 "Agent Post-Training" 切成了 8 个独立方向：API & Power Users、Artifacts、Computer Use、Connectors、Context、Frontier Evals and Environments、Personality、Research。这套切片方式和当年 GPT 时代把 chat 模型按 use case 切分几乎一模一样。agent 在 OpenAI 内部被当成一类独立的模型形态，不是某个产品的附属功能。
"Harness" 在国内也开始成岗。 月之暗面挂着 Harness 研发工程师、Harness 研究工程师；字节在 TRAE、即梦下挂了一打 "AI Agent Harness 优化专家"；DeepSeek 配了 Agent Harness 研发工程师、研究员、产品经理三个配套岗。Anthropic 这两年把 "agent harness"（agent 运行时框架）这个概念普及开，国内正在系统性地照着建团队。
Coding Agent 成了单独赛道，每家都配了独立的研发、产品、解决方案岗：
| 公司 | Coding 产品 | 岗位数 |
|---|---|---|
| OpenAI | Codex | 20 个 Codex 岗 + 1 个 Coding Agents 安全岗 |
| 字节 | TRAE | 18 个 TRAE 专属岗（Coding 相关合计 36） |
| Anthropic | Claude Code | 6 个（含专门的 Model Performance Engineer） |
| 智谱 / 月之暗面 | GLM Coding Agent / Kimi Code | 各自独立挂岗 |
Computer Use：agent 从"调 API"走向"操作真实环境"
"Computer Use" 作为一个独立方向，同时出现在 OpenAI 和 Anthropic 的招聘里。OpenAI 有 Agent Post-Training, Computer Use Research、Software Engineer, Computer Use & Frontier Interfaces；Anthropic 有 Product Engineer, Computer Use、Research Engineer, Computer Use。两家头部都把它当成一个可独立配人研究的方向——这是 agent 从"调 API"走向"操作真实环境"的标志性信号。
Agent 抬出来的两个新工种：安全、评测
Agent 能自己跑任务、调工具、操作环境之后，"模型对齐"已经不够用了，于是冒出两个原本不存在的工种。
Agent 安全。 Anthropic 把 Safeguards 做成了一个 13 人的独立体系：Safeguards Labs、Evals、Infrastructure、Policy、Review Tooling、Rare Harms。OpenAI 对应的是 Agent Security、Offensive Security Engineer Agent Products、Security Researcher Agentic AI Threats、Agentic Risk Analyst，外加一个专门的 Security Preparedness Lead, Coding Agents。盯的不再是"模型输出对不对齐"，而是"agent 行为安不安全"这个新问题。
评测基础设施。 模型时代评测是跑 benchmark，agent 时代评测要搭环境、跑轨迹、判结果，复杂度高了一个量级。字节一家挂着 28 个评测岗，按业务线拆得很细（抖音、剪映、飞书、豆包、Seed、火山方舟、医疗各一条），含专门的"大模型与 Agent 评测基础设施算法工程师"；OpenAI、Anthropic 各有 4–7 个 eval 岗，月之暗面和智谱也都挂了独立的 Eval Engineer。评测从研究里独立出来，成了单独投入的方向。
后训练 / 对齐 / RL：很少独立成岗，但没少招
按 title 关键词统计，title 里直接写 Alignment / RLHF 的只有 22 个。这个数字偏低，是因为后训练 / 对齐工作在 JD 里没有被拆成独立方向岗，而是并进了别的桶：OpenAI 的 "Agent Post-Training" 系列做的是 agent 时代的后训练 / RL，但按 title 被归进了 Agent 桶；字节的 "大模型应用算法" 里包含大量 SFT / RL 工作，但归在核心模型研究里；另外这些岗普遍挂在 "研究员" 这种通用 title 下，而非方向 title。换句话说，后训练 / 对齐是各家都在做的事，只是没有被组织成独立的方向序列。
Infra：推理优先的转向已经很明显
训练/推理 Infra 共 147 个研发岗。再把方向词切细一点：
| 公司 | 推理相关 | 训练相关 |
|---|---|---|
| OpenAI | 9 | 13 |
| Anthropic | 14 | 4 |
| 字节跳动 | 45 | 36 |
| 智谱 | 6 | 9 |
| 月之暗面 | 1 | 1 |
Anthropic 推理岗位是训练的 3.5 倍，OpenAI 也明显把重心往推理挪（含 Stargate、Rack Infrastructure、Site Operations 这一类数据中心岗）。这背后是当模型能力收敛、价格战开打，每家都得把推理成本压下去。 字节推理岗高达 45 个，对应的是火山引擎方舟 MaaS 对外吐 token 的规模。
"推理得便宜"这件事已经撞到硬件层。看具体岗位：智谱的推理 Infra 工程师岗直接写明"量化算法研究 + 推理框架优化 + GPU 优化"三合一；Anthropic 招 TPU Kernel Engineer 和 Performance Engineer, GPU；OpenAI 在做 AMD GPU Enablement（推理去 NVIDIA 化）、Kernel Performance & AI Tooling、Hardware/Software CoDesign；字节 Seed Infra 招 LLM/VLM Inference Optimization 研究员。光改框架层已经不够了，要下沉到 kernel 和量化算法，甚至开始用 AMD/TPU/自研 ASIC 分摊 NVIDIA 的算力成本。
写在最后
把 1407 个技术岗 JD 压成一句话：整个行业的技术重心正在从"训更大的模型"往"训更会做事的 agent"挪。
核心模型研究仍是最大头（29%），多模态第二（24%），但 Agent/Coding（18%）是 2026 年最明确的新重心——OpenAI 已经把 agent 后训练切成 8 个独立方向，Computer Use、Agent 安全、评测基础设施都成了新独立成军的工种。Infra 上推理优先的转向也写进了 headcount，优化已经撞到 kernel 和量化这一层。
当然，这份数据有它的局限：后训练/RL 的实际占比被 title 命名习惯低估了；岗位数也不等于投入当量——字节 235 个核心模型岗里，相当一部分是按业务线重复配置的。要判断"谁更激进"，光数 JD 不够，还得看每家的融资节奏和算力储备。
但有一点能看出来：2026 年这一轮招聘结构的变化，比任何一篇 PR 稿都更诚实地说明了大模型公司接下来想干什么。Agent 不再是 PPT 里的愿景，而是被写进了 headcount、写进了独立的招聘方向。那些现在被切分成一个个独立工种的岗位——Computer Use、Agent 安全、评测基础设施——很可能就是明年我们日常在用的产品。
从这个角度看，这 1407 个 JD 不只是一份招聘快照，更像一张路线图。接下来这一年更加值得期待。