AI 基础设施岗位集中度上升，短期招聘收缩与资深化并存

招聘活动收缩，但不是关键岗位需求消失

过去180天，全球AI与数据相关岗位总量达到5494个，90天窗口与180天窗口的岗位量比值为0.9276，这说明半年的基本盘并没有出现破坏性下滑。然而，如果观察更短的时间窗，数字的梯度变化非常明显：30天与90天的比值降到0.3234，7天与30天的比值进一步降到0.2288，最近一周的新增岗位只有377个。这种逐级收缩意味着企业并不是取消了招聘计划，而是大幅放缓了发布节奏，把精力转向筛选和面试更少数量的候选人。

对前沿科技公司而言，这种信号通常出现在战略调整期。岗位数量的减少并不等于需求减少，而是企业开始对“为什么要招”和“招什么样的人”进行更严格的审视。那些真正影响业务的关键岗位，比如AI平台架构师、推理优化工程师、资深机器学习科学家，依然在释放。招聘团队需要关注的是质量而不是数量，在缩量的市场中，每一份职位描述都应当更精准地对应业务结果。

从资历结构看，7天窗口内senior及以上岗位占比达到44.8%，显著高于30天的35.4%和90天的36.8%。这说明企业在收缩期更愿意为能独立交付的资深人才支付溢价。对于候选人来说，这意味着短期窗口的初级岗位入口在收窄；对于企业来说，则意味着必须加快资深岗位的决策速度，否则很容易在犹豫中被竞争对手抢走。

AI基础设施：从热度到绝对主导

如果只看一个数字来理解当前市场，那就是AI基础设施主题的集中度。过去180天，这个主题相关岗位占全部样本的47.9%，在90天窗口为50.3%，而到30天窗口，占比飙升至75.4%，7天窗口仍达68.7%。平台、推理、模型服务类岗位成为绝对主力，说明企业正把最大的人力预算投入到支撑AI应用的底层系统上，而不是单纯扩张算法团队。

这种集中并不是短期的炒作。从样本中新出现的岗位来看，包括Pre-Sales Solution Architect（AI Infrastructure）、Senior ML Scientist（客户运营）等，反映出基础设施不只是技术部门内部的事，已经开始渗透到售前、客户成功和运营环节。换句话说，AI基础设施岗位正在从后台走向前台，成为连接技术与商业的枢纽。

对于前沿科技公司的招聘负责人，这意味着两类人才格外重要：一类是能设计大规模分布式训练和推理系统的平台工程师，另一类是能理解客户场景并把AI能力封装成解决方案的技术架构师。这两类岗位的稀缺性都在上升，传统的通用软件开发招聘流程无法高效识别他们，需要定制化的评估方法和更有竞争力的薪酬结构。

Agent/RAG：研究退场，产品登场

Agent/RAG相关岗位在最近7天呈现出明显的回升，占比从30天的11.5%上升到15.6%，而在这波新岗位中，角色类型发生了耐人寻味的变化。新增的岗位主要是Product Engineer、Senior/Staff Software Engineer、MTS等，属于产品交付职能，而不是纯研究性质的职位。这表明企业不再满足于论文级别的演示，而是要求智能体能真正在业务流程中稳定运行。

从产品工程的角度看，Agent/RAG的落地比单纯算法创新更考验综合能力。候选人需要理解模型的行为边界，掌握工具调用的可靠性设计，还要面对延迟、成本、可观测性等一系列工程难题。因此，在评估这类人才时，项目经验远重要于算法竞赛成绩。能够证明自己在生产环境中优化过Agent系统、处理过上下文崩溃和工具链故障的工程师，才是当前市场最稀缺的资源。

企业还需要注意的是，Agent/RAG正在重塑产品工程师的能力模型。未来的产品工程师既要懂用户，也要懂模型，他们会成为智能体产品的“制造者”。招聘团队应尽早建立这样的岗位画像，避免在传统前端和后端工程师之间机械划分。一个能端到端构建Agent体验的工程师，往往比一个纯粹的算法研究员更符合业务当下的需求。

资深人才成为收缩期的“确定性资产”

在所有窗口的数据中，资深岗位的占比变化尤其值得关注。7天内，senior及以上岗位占44.8%，而30天、90天和180天的占比分别为35.4%、36.8%和36.6%。短期的跃升说明企业在作出招聘决策时，优先考虑那些自带解决问题能力的熟手。他们不需要很长的适应期，能够在入职后迅速承担起关键模块或团队领导职责。

这一趋势对人才战略有两个直接启示。第一，外部招聘应该更加精准化，避免在初级岗位上投入过多资源；取而代之的是，通过内部轮岗和培训来构建junior talent的成长通道。第二，资深人才的保留同样重要，外部市场的收缩可能让一些企业误以为人员流动会自然降低，但实际上，关键资深人才恰恰是竞争对手定向挖角的重点。建立基于业务战略的中长期激励和清晰的成长路径，是防止人才流失的底线工程。

对候选人而言，资深岗位的需求上升意味着“深度+广度”的复合能力更受青睐。一个能够同时理解算法原理、系统架构和商业价值的工程师，将在谈判中拥有更强的议价权。这个阶段，与其追求跳槽频率，不如在一两个有挑战性的项目中积累可证明的战绩。

数据平台与Web3：被重塑的配角

与AI基础设施的高歌猛进相比，传统数据平台主题的表现相当平淡。过去180天，数据平台相关岗位占7.6%，而7天窗口内只剩下2.1%，绝对数量只有8个。这并不代表数据岗位消失，而是数据需求正在以新的形态融入AI基础设施和Agent/RAG主题。数据工程师需要掌握的技能正在从传统的ETL、数仓建模，向特征存储、向量数据库、模型服务等方向迁移。

Web3则是另一个被边缘化的板块。Web3基础设施、钱包支付和交易基础设施三类岗位合计，在180天窗口内占比3.0%，7天窗口更是降至1.3%，而且新增岗位大多出现在商务和增长方向，而非核心研发。这说明Web3行业尚未恢复到足够支撑大规模硬核技术招聘的程度，即便是一些早期项目，也更多是在为已有产品寻找市场和用户。

对这两类人才，战略上需要明确：数据工程师的岗位并没有消失，但必须升级技能集；Web3的技术人才则应当审慎评估项目的基本面，不要被概念热度误导。企业层面同样不该盲目扩张这些方向，而是要看它们是否真的服务于当前的核心业务路径。

Talentverse 判断：高确定性招聘的时代

综合所有信号，Talentverse认为，全球前沿科技人才市场正在进入一个“高确定性招聘”的新阶段。企业用更少的岗位数量，换取更高的岗位质量；用更资深的候选人，换取更快的落地速度。AI基础设施和Agent/RAG是当前的两条主线，前者决定企业的算力与平台竞争力，后者决定AI产品能否真正创造业务价值。传统数据平台和Web3则处于结构调整期，招聘需求会被重塑而非简单消失。

在这样的环境下，企业最大的风险不是招不到人，而是判断失误：把短期的岗位收缩误读为长期需求下降，或者把算法研究的热度当成产品落地的人才需求。前者会导致关键岗位出现缺口，后者会招来一批无法解决实际工程问题的人。我们建议前沿科技公司把人才战略的核心放在三个方向上：一是构建AI基础设施和平台工程人才的高质量评估体系；二是为Agent/RAG产品化设立专门的工程岗位，并培养跨学科的产品工程师；三是将资深人才的招聘和保留作为最高优先级，建立快速决策流程。

高确定性招聘并不意味着保守，而是要求更高的命中率。在缩量的市场中，每一个关键岗位都值得用研究与数据来判断，而不是凭感觉拍板。能够用更短的时间、更准确的画像锁定任务关键型人才的公司，将在下一个技术周期中占据明显的领先身位。