供給收縮下的結構再分配：AI 基礎設施仍居首，關鍵職位轉向平台、場景與商業化

供給收縮加深，短窗斜率仍需 30 天確認

截至 2026-10-27，Talent Signal 的結構化招聘樣本在 180/90/30/7 天分別為 7,716/2,909/458/65 個；折算月度供給約 1,286/970/458/279 個，90 天月均約為長窗的 75.4%，30 天約為 90 天月均的 47.2%，7 天約為 30 天月均的 60.8%。這對前沿科技招聘的含義不是所有職位均勻縮水，而是企業在供給收縮中更謹慎地只為任務關鍵型職位開綠燈；越是關鍵職位，越需要用人才判斷區分真實需求與短期補位。

短端收縮仍深，但 7 天只有 65 個樣本，director 僅 4 個、lead 僅 6 個，任何單項變動都可能放大占比。90d/180d=0.3770、30d/90d=0.1574、7d/30d=0.1419，反映供給曲線尚未逆轉；對高確定性招聘的含義是，企業應以 30 天窗口確認職位優先級，避免因短窗雜訊凍結真正影響交付的關鍵職位。樣本變薄時，職能占比的變動會被放大，市場也更容易被單一週期敘事帶偏。

AI 基礎設施仍居首，但集中度正在稀釋

AI 基礎設施仍以 55.08%/65.52%/46.07%/35.38%（4,250/1,906/211/23）居第一主題，AI 基礎設施與 agent/RAG 合計 67.38%/77.86%/60.26%/58.46%。90 天是峰值、7 天是四窗最低，7 天 other 主題占 24.62%，說明短窗供給已不是單一 AI 敘事。這不是 AI 需求消失，而是需求從單一基礎設施押注轉向平台工程、部署場景、臨床與支付等應用；7 天 AI 基礎設施只有 23 個職位，職位畫像要更具體地指向推論效率、資料管線、平台可靠性與場景整合。

AI 基礎設施與 agent/RAG 合計在 7 天仍占 58.46%，代表核心技術需求並未退場，但集中度下降意味著招聘策略不能只押單一主題。企業若只用 AI 基礎設施職稱搜尋，容易把平台工程、MLOps 與應用型技術產品角色混在一起；對任務關鍵型招聘的含義是，把 AI 能力拆成可交付職責，讓候選人的場景證據對應產品路線，比追逐主題熱度更接近高確定性招聘。

資料與演算法占比回落，平台工程與商業化補位

資料職能占 27.40%/23.07%/8.52%/10.77%（2,114/671/39/7），AI/演算法占 33.40%/32.28%/24.89%/16.92%（2,577/939/114/11），技術職能占 18.03%/18.15%/22.27%/24.62%（1,391/528/102/16）。短窗新增供給從專職資料與演算法轉向通用工程交付，對招聘的含義不是資料人才退場，而是資料工作被嵌入平台、產品與場景，職位設計更靠近業務交付；這也意味著資料科學總監、臨床 AI 專家等角色要用場景責任而非職能標籤來判斷。

商業化與營運同步補位：商務、市場、銷售、產品、營運合計占 8.92%/11.59%/21.62%/38.46%，商務由 2.37% 升至 13.85%，市場由 1.39% 升至 10.77%，產品由 1.48% 升至 6.15%，營運由 2.75% 升至 6.15%。7 天樣本只有 65 個，比例容易被放大，但方向顯示企業在補 AI 交付所需的產品、生態、銷售與營運能力；關鍵職位因此不只技術，還包括能把技術能力轉化為客戶價值的角色。安全職能占 7.13%/9.01%/11.14%/4.62%（550/262/51/3），risk/compliance 主題僅 1.15%/1.24%/3.06%/1.54%（89/36/14/1），安全職位承載身份、風控、調查與合規多重職能，不能把安全職能上行直接等同於統一合規需求上行。

Agent/RAG、職級與薪酬揭露：三個容易被誤讀的信號

agent/RAG 占 12.30%/12.34%/14.19%/23.08%（949/359/65/15），7 天升至四窗最高的 23.08%，但絕對量只有 15 個。長中窗維持 12.3% 至 14.2%，短窗上衝可能反映 Agent 產品化、評估與可靠性需求升溫；對招聘的含義是 Agent/RAG 產品化與評估職位值得提前布局，但應以 30 天窗口與場景證據驗證，不宜因單週占比追高。

職級標註仍以未標註為主：none 占 63.70%/63.46%/64.19%/67.69%，senior 占 17.04%/16.19%/13.10%/7.69%，lead 占 6.27%/6.63%/7.64%/9.23%，director 占 2.35%/2.30%/2.40%/6.15%；7 天 director 僅 4 個、lead 僅 6 個。職級依標題標註，none 占比高會壓低 senior 等高級職級占比，短窗 director 與 lead 的占比抬升主要由小樣本驅動；Senior+ 需求是否真正擴張，需用 30 天窗口與職位內容驗證。薪酬 unknown 占 22.03%/26.85%/53.28%/26.15%，strong 占 77.97%/73.15%/46.72%/73.85%；30 天 unknown 為 244 個，7 天降至 17 個，揭露缺口在 30 天達到峰值後於 7 天修復，但缺口不等同於薪酬水平變化。數位資產相關主題合計占 3.20%/3.99%/7.86%/10.77%（247/116/36/7），7 天僅 7 個，長窗約 3.2%，只能作細分信號，不足以改變主敘事。

Talentverse 判斷：高確定性招聘要對準任務關鍵型職位

這一輪變化是收縮中的結構再分配：AI 基礎設施仍居第一，但短窗向平台工程、部署場景、商業化與營運傾斜；資料與演算法占比回落，不代表人才判斷降級，而是職位設計更靠近產品與業務。企業若只用職稱或單週占比行動，容易把 Agent/RAG 的 15 個樣本、director 的 4 個樣本或商業化的 65 個短窗樣本當成趨勢，從而錯配招聘資源。

Talentverse 建議優先鎖定四類任務關鍵型職位：AI 基礎設施的平台、推論與資料管線；Agent/RAG 的產品化、評估與可靠性；臨床 AI、支付與風控等場景型技術產品角色；能把 AI 交付轉化為客戶價值與收入的商業化、生態與營運職位。這些職位的共同點是責任邊界清楚、場景證據可驗證，適合用高確定性招聘流程沉澱人才判斷。

供給收縮與短窗樣本變薄，意味著錯誤招聘的成本更高，也意味著企業更需要把人才研究、職位畫像與面試證據連成可重複的判斷流程。Talentverse 的觀點是：與其追逐每週主題，不如用 30 天窗口確認結構、用場景證據辨識任務關鍵型人才，讓關鍵職位先得到高確定性的人才判斷，再決定一般性職位是否延後。