AI 基礎設施長週期主導，短窗口結構分散與揭露缺口並存

長窗口主線未變，短窗口動能轉弱

截至 2026 年 9 月 27 日，Talentverse 人才研究觀察到 180 天窗口內 7,598 個可見職位，較上一期僅增加 12 個。這個數字本身不足以描繪需求擴張，因為 90 天 4,196 個、30 天 576 個與 7 天 55 個都低於上一期的 4,313、753 與 57 個。換句話說，總量微增主要由更長窗口的累積支撐，近端動能仍在減弱。

窗口比例讓這個判斷更清楚。90d/180d 為 0.5523，低於上一期 0.5685；30d/90d 為 0.1373，低於上一期 0.1746；7d/30d 為 0.0955，雖高於上一期 0.0757，但這是因為 30 天基數下降，不代表 7 天需求轉強。對前沿科技招聘而言，長窗口適合定義關鍵職位與年度人才地圖，短窗口只能用來監測採集異常、發布節奏或突發需求，不能直接當成市場反轉。

這也意味著，當企業看到 7 天或 30 天某類職位突然增加時，應先檢查樣本量與來源節奏，再決定是否調整 AI 原生人才策略。任務關鍵型人才的招聘決策，若被極短窗口的雜訊牽動，往往會造成職位優先順序錯置。

AI 基礎設施與數據崗位的分層訊號

AI 基礎設施在 180 天、90 天、30 天與 7 天分別為 4,096、3,006、320 與 17 個，占 53.9%、71.6%、55.6% 與 30.9%。90 天超過七成，顯示長中窗口仍由 AI 基礎設施絕對主導；但 7 天僅 30.9%，且 other 主題以 18 個超過 AI 基礎設施的 17 個，代表短窗口樣本結構更分散。這不適合解讀為 AI 基礎設施需求轉弱，反而更像近端採集覆蓋變動。

對招聘端的意義是，AI 基礎設施、分散式系統、站點可靠性與資料基礎設施仍應列入高優先關鍵職位。企業若因為 7 天份額回落而延後此類職位，可能錯過長周期仍在累積的技術與產品人才需求。人才判斷應以 90 天與 180 天為錨，短窗僅作為補充。

數據職能呈現另一個分層。它在 180 天與 90 天分別為 2,121 與 1,180 個，占 27.9% 與 28.1%，幾乎持平；但 30 天降至 88 個、15.3%，7 天更只有 6 個、10.9%。數據仍是第二大職能，長中窗口需求穩定，短窗收縮連續出現，卻無法排除採集覆蓋或發布節奏波動。對新經濟團隊來說，資料平台、資料治理、資料庫管理與 AI 標註仍值得配置任務關鍵型人才，但不宜用短窗數據推論整體數據職能降溫。

Agent/RAG 從概念走向多職能供給

Agent/RAG 主題在四個窗口分別為 919、489、77 與 8 個，占 12.1%、11.7%、13.4% 與 14.5%，穩定落在 11% 至 15% 區間。這表示 Agent/RAG 不再只是概念熱度，而是已經形成跨產品、安全、基礎設施與具身智能的職位供給。新樣本中出現產品設計、資安分析、AI 基礎設施工程與具身智能／Agent 工程等類型，說明企業正把 Agent 能力嵌入既有職能，而非只開設單一研究職缺。

從前沿科技招聘角度看，Agent/RAG 更適合被視為一種跨職能能力。企業需要的不只是會訓練模型的人，而是能把檢索、工具調用、評估、產品體驗與安全邊界整合起來的技術與產品人才。這類職位若只用傳統關鍵字搜尋，容易漏掉具備系統思維與產品判斷的候選人。

7 天絕對量只有 8 個，提醒我們穩定區間仍建立在長中窗口，短窗不宜過度解讀。企業在組建 Agent/RAG 團隊時，應以 90 天與 180 天的人才供給為基礎，搭配直接人才研究與高確定性招聘，而不是追逐每日變化的職缺數量。

安全、風控與數位資產的短窗雜訊

安全職能在 180 天、90 天、30 天與 7 天分別為 500、336、63 與 4 個，占 6.6%、8.0%、10.9% 與 7.3%；risk/compliance 主題為 91、34、12 與 4 個，占 1.2%、0.8%、2.1% 與 7.3%。風控合規 7 天占比遠高於長窗口，但絕對量只有 4 個；安全 30 天占比高於長窗口，7 天又回落。這組訊號強度有限，只能視為短窗抬升，不能確認趨勢。

對受監管的前沿科技公司與數位資產團隊而言，安全、風控與合規仍是任務關鍵型職能。SOC 分析、合規調查、市場監察與資料庫管理等職位，反映平台在規模化後面臨的營運與監管壓力。企業若等到事故或監管事件發生才補人，招聘成本與風險都會更高；但若僅憑 4 個樣本大幅擴編，也可能誤判。

數位資產細分同樣呈現短窗占比升高、絕對量偏小的特徵。Web3 基礎設施在 180 天、90 天、30 天與 7 天為 151、80、26 與 5 個，占 2.0%、1.9%、4.5% 與 9.1%；wallet/payment 為 45、28、10 與 2 個，占 0.6%、0.7%、1.7% 與 3.6%；trading infra 為 49、15、2 與 0 個，占 0.6%、0.4%、0.3% 與 0%。短窗合計約 7 個，只能視為錢包、支付與交易系統的細分訊號。對數位資產公司而言，這些職位重要但狹窄，需要精準的人才研究與產業人脈，而非大量履歷流動。

Talentverse 判斷：把招聘校準到任務關鍵型人才

薪酬揭露缺口是這份快照最需要警惕的資料限制。薪資 unknown 在 180 天、90 天、30 天與 7 天分別為 1,579、786、219 與 34 個，占 20.8%、18.7%、38.0% 與 61.8%；strong 訊號為 6,019、3,410、357 與 21 個。7 天超過六成沒有可用薪酬資訊，30 天接近四成，代表短窗薪酬橫向比較與漲幅判斷可靠性很低。高確定性招聘不能建立在這種短期缺口上，必須以長窗口資料、直接薪酬情報與職位關鍵性來校準。

職級結構也提醒高階人才稀缺。none 在 180 天、90 天、30 天與 7 天占 63.7%、64.0%、63.7% 與 67.3%；senior 占 17.2%、16.9%、12.7% 與 12.7%；lead 占 6.2%、6.4%、8.5% 與 7.3%；7 天 principal 只有 2 個、head 1 個、vp 1 個，architect 與 founding 為 0。短窗高階職位絕對量過小，不能用來確認 principal 或 head 需求抬升。企業若要找關鍵職位的高階人才，不能依賴主動應徵，必須以人才研究與直接接觸建立高確定性管道。

Talentverse 的判斷是，AI 與數據仍是長周期主線，短窗的結構分散、安全風控占比跳動與薪酬揭露缺口則是雜訊。應優先關注 AI 基礎設施、資料平台與治理、Agent/RAG 跨職能工程，以及受監管場景的安全合規職位。企業可能誤讀的地方，是把 7 天 AI 基礎設施份額回落當成需求降溫，或把風控合規 4 個樣本當成明確趨勢。真正拉開差距的，是在長窗口趨勢上建立高確定性招聘能力，對任務關鍵型人才做出果斷而校準的判斷。