AI 基礎設施主導下的短窗回升：前沿科技招聘的結構分化與人才判斷

短窗回升不等於長端修復

180／90／30／7 天樣本為 7,834／2,527／494／138 個，日均 43.5／28.1／16.5／19.7 個。90 天日均是 180 天的 64.5%，30 天是 90 天的 58.7%，長端收縮未改；7 天日均比 30 天高 19.7%，但僅為 90 天日均 70.2%、180 天 45.3%。短窗有補位，不足以宣告拐點；前沿科技招聘的關鍵職位核准應以連續窗口驗證，不能因一週回升放寬人才畫像。

7 天只有 138 個樣本，比例易被單一職位放大；658 筆缺少 posted_at、以 collected_at 回退，占 8.4%。因此短窗宜作預警，不宜作結論。企業啟動任務關鍵型人才搜尋時，應把「連續兩窗高於 30 天日均」設為門檻，避免把短期補位誤讀為長期需求。

AI 基礎設施仍是主軸，但需求正在分散

AI 基礎設施佔 55.18%／64.03%／43.52%／44.93%，仍是第一主題，但 30 天比 90 天低 20.51 個百分點，7 天也未回到 50% 以上。agent／RAG 穩定在 12.34%／11.48%／11.94%／12.32%，7 天兩者合計 57.25%，高於其他的 31.16%。需求不是消失，而是從平台層向代理、應用與場景落地分散；人才地圖不能只鎖定基礎設施工程師，還要覆蓋 Agent 編排、RAG 評測與產品化能力。

AI 基礎設施佔比低於長端峰值，容易被誤判為技術需求降溫。更合理的解讀是職位定義變細：平台團隊仍需少數高槓桿人才，應用團隊需要能把模型能力轉成工作流的人。高確定性招聘應確認候選人是否處理過真實約束下的檢索、工具調用與評測閉環，而不是只看關鍵詞。

演算法升溫，資料與技術並未同步

AI／演算法職能佔 33.56%／33.52%／29.55%／44.20%，7 天比 30 天高 14.65 個百分點；資料職能佔 27.14%／21.84%／8.50%／6.52%，7 天只有 9 個；技術職能佔 17.81%／16.62%／17.41%／10.87%。7 天 AI／演算法加資料合計 50.72%，低於 90 天 55.36%。這不是資料與技術全面擴張，而是短窗由演算法職位拉動；企業不宜同步擴大資料工程招募，應把評估資源放在演算法、評測與資料生產的交叉能力。

資料職能短窗僅 6.52%，對需要建立資料飛輪的公司是提醒：資料工作未必以「資料工程師」名稱出現，可能被併入 AI 訓練師網絡、評測審核或社群營運。人才判斷要看實際任務，而非職稱；若職位涉及訓練資料品質、標註治理與模型評測，應要求候選人展示可驗證的資料閉環經驗。

商業化補位進入平台期，安全與風險回落

商務、市場、銷售、產品、營運合計佔 9.10%／12.70%／23.08%／21.01%，30 天與 7 天遠高於長窗，但 7 天比 30 天低 2.07 個百分點；7 天內部為商務 4.35%、市場 4.35%、銷售 2.90%、產品 3.62%、營運 5.80%。補位仍在，不能稱加速擴張；新經濟團隊的商業化關鍵職位要用付費轉化、合作管道與產品採用等成果指標校準，而不是用職缺數量判斷組織擴張。

安全職能佔 7.17%／8.94%／9.11%／7.25%，風險／合規佔 1.11%／1.50%／3.04%／2.17%，30 天抬升後 7 天均回落。安全職能包含身份、支付、審計等多重任務，不能等同單一合規需求；招聘上應拆分產品安全、基礎設施安全與風控合規，再決定人才畫像，否則容易用一個職稱掩蓋不同能力要求。

新樣本、職級與薪酬揭露

新增 90 條樣本更偏 AI 平台與演算法：AI 基礎設施 43 條、agent／RAG 12 條、其他 24 條；職能上 AI／演算法 45 條、技術 13 條、安全 6 條、商務 5 條、設計 4 條、產品 3 條、營運 3 條、資料 2 條、市場 2 條、銷售 2 條。職位形態延伸到 AI 訓練師網絡、AI 評測審核、AI 語音互動評測、社群增長營運、具身全端與 AI 會計，顯示需求從模型平台向資料生產、評測與行業落地擴散。訊號置信度低，但對人才研究方向有價值。

職級標註仍稀疏：未標註佔 63.81%／65.00%／69.03%／71.74%，senior 佔 16.89%／14.76%／10.32%／5.80%，lead 佔 6.37%／7.20%／9.51%／13.77%；7 天 lead 有 19 個，director 僅 2 個、principal 2 個、head 1 個、vp 1 個。高階管理職沒有擴張證據。薪酬 unknown 佔 22.47%／29.28%／52.02%／52.90%，短窗近一半缺薪酬訊號，不能用來推斷薪酬水準；高確定性招聘應以職級校準與能力證據取代薪資猜測。

Talentverse 判斷：把高確定性招聘放在任務關鍵型職位

本輪核心不是市場全面回暖，而是 AI 基礎設施主導下的短窗回升與結構分化。7 天日均 19.7 個雖高於 30 天 16.5 個，仍低於 90 天 28.1 個與 180 天 43.5 個；AI／演算法 7 天佔 44.20%，資料僅 6.52%，商業化補位 21.01%，安全與風險回落。企業若把短窗反彈解讀為全面擴張，可能錯配資源；更合理的做法是把職位分為平台底座、Agent／RAG 應用、評測與資料生產、商業化補位四類，逐一驗證任務關鍵性。

優先職位是能直接影響模型能力與產品落地的人：AI 基礎設施少數高槓桿工程師、Agent／RAG 產品與評測人才、能把資料閉環做成系統的演算法人才，以及能以成果證明商業化能力的產品與營運角色。資料短窗只有 9 個，不代表資料能力不重要；安全與風險 7 天回落，也不代表合規壓力消失，而是訊號尚未連續。Talentverse 認為，訊號分化時更需要高確定性招聘：先用任務、成果與證據定義職位，再決定是否啟動搜尋，這比追逐職缺數量更能降低關鍵職位錯配成本。