外观
JD 清单：国内外大厂在招岗位
这份清单回答一个非常具体的问题：此刻打开招聘网站，市场上在招的机器学习岗位，到底在要求什么？
本文不搬运任何一份真实 JD 的原文，也不罗列"某某公司在招 XX 岗"这种有时效性的信息——JD 是流动的，岗位名是漂移的，今天在招的岗下个月就可能冻结。本文提炼的是2024–2026 年间国内外大厂公开 JD 中反复出现的技能组合，并给出读法、词频与映射。你要带走的是一个可复用的分析框架，而不是一份会过期的岗位名单。
关于数据时点
本文基于撰写时点（dataAsOf: 2026 年 6 月）前后，各公司官方招聘网站与招聘平台（脉脉、BOSS 直聘、猎聘等）上公开可见的岗位描述进行归纳，不构成任何公司当前在招岗位的保证。具体岗位、地点、编制与要求请以官方招聘页实时发布为准。文中所有"硬性要求 / 加分项"均为多份 JD 的共性总结，不指向任何特定公司或特定岗位。
一、如何读这份清单
1. JD 会变，技能组合才是常量
先看一个真实的岗位名漂移现象：2021 年，各家搜索、内容、电商团队在招"算法工程师"；2024 年起，同样的部门开始挂"大模型算法工程师""LLM 应用工程师""Agent 工程师"。
同一个团队，岗位名四年间的演变（示意）：
2021 算法工程师（机器学习方向）
2022 算法工程师（NLP 方向 / 搜索推荐方向）
2024 大模型算法工程师
2025 大模型应用工程师 / LLM 算法工程师
2026 Agent 工程师 / 多模态算法工程师
技能内核变化不大：Python + ML 基础 + 深度学习 + 工程化
岗位名却一直在换。岗位名是市场情绪的温度计，技能组合才是长期稳定的骨架。读 JD 的第一原则：把岗位名翻译成"技能向量"，而不是背岗位名。NLP 工程师、搜索算法工程师、大模型应用工程师 三个岗位名可能来自同一个组，技能要求有七成重叠；而两个同名"算法工程师"，在广告部门和芯片部门的要求可能完全不相干。
2. 区分「硬性要求」与「加分项」
几乎所有 JD 都长成两段：一段写"职位要求"，一段写"加分项 / 优先条件"。这两段的语义完全不同：
| 硬性要求（职位要求） | 加分项（优先条件） | |
|---|---|---|
| 实际含义 | 过了这条线才会进面试 | 简历里有就加分，没有一般不卡 |
| 典型内容 | 学历、年限、必会语言与框架 | 领域经验、论文、竞赛、开源、业务背景 |
| 卡人逻辑 | 过滤器：不符则直接筛掉 | 排序器：在通过者里拉开差距 |
| 求职者策略 | 逐条对照，缺一不可 | 当"差异化素材"，有一两条能讲出故事即可 |
一个常见的误读是把加分项当硬性要求来焦虑：JD 写了"有 RLHF 经验优先"，就觉得自己没 RLHF 经验不能投。实际上多数岗位的加分项是"存在就更好"，而不是"必须要有"。反过来，硬性要求里如果写了"熟悉 PyTorch"却完全没写过 PyTorch，那才是真正需要警惕的缺口。
判断硬性 / 加分的三个信号
- 看措辞："熟练使用""精通""具备 X 年以上"多为硬性；"有 XX 经验者优先""加分项""熟悉者更佳"为加分。
- 看数量：硬性要求通常不超过 5 条，且彼此正交；一个 JD 列了 12 条硬性要求，说明它其实是"理想画像"，真实门槛比纸面低。
- 看岗位类型：校招 JD 硬性要求少而宽（考基础），社招 JD 硬性要求多而窄（考匹配度）。应届生盯着社招 JD 的硬性要求逐条对，是最容易劝退自己的方式。
3. 读 JD 的三个误区
- 只读岗位名和公司名：等于只看封面，完全没读内容。岗位名相似度与技能要求相似度之间只有弱相关。
- 只背技能清单：JD 列了 PyTorch，简历就写 PyTorch——这是字面匹配，面试官一问"你用它训过什么、遇到过什么问题"就露馅。技能必须能展开成项目故事。
- 只看大厂：大厂 JD 用词规范、分工细，适合用来校准标准；但真正让你拿 offer 的可能是中厂、独角兽或垂直领域公司。标准从大厂来，机会从全局来。
4. 这份清单的正确用法
读完之后按三步走，本清单就完成了它的使命：
① 圈定 2–3 个目标岗位 → 从本文第二、三节选 2–3 个与你背景最接近的
② 对照能力地图打钩 → 用 [能力地图](/career/knowledge-map) 逐条标注
会 / 不会 / 半会不会
③ 生成补课清单并排优先级 → 硬性要求里的"不会"排第一优先级
加分项里的"半会不会"排第二这套"JD 倒推学习"的完整方法论见求职冲刺线，把岗位要求转成可执行的复习计划，就是它的主线。
二、国内大厂典型岗位
本节覆盖国内大厂（阿里、腾讯、字节跳动、百度、美团、京东等）招聘页长期稳定出现的六类机器学习岗位。每类给 2–3 个代表性 JD 的技能要求拆解——请注意：下列表格是多家公司同类岗位的共性归纳，不是任何一份真实 JD 的原文或摘录。
1. 算法工程师 · 机器学习方向
国内招聘的第一大岗位关键词，几乎所有大厂都长期在招。代表性 JD 有三类：
- 业务建模向（常见于阿里、美团、京东）：围绕具体业务（交易、风控、供应链）做特征、模型、评估、上线闭环。
- 基础平台向（常见于腾讯、百度）：服务内部多条业务线的通用建模能力，接触数据更复杂、规模更大。
- 风控 / 反作弊向（常见于各家的金融与安全部门）：偏分类与异常检测，对精度、延迟、可解释性要求苛刻。
技能要求拆解（三份代表性 JD 的共性）：
| 维度 | 硬性要求（几乎必现） | 加分项（出现频率高） |
|---|---|---|
| 编程 | Python 熟练；能写高质量工程代码 | C++/Java 之一；多线程与性能优化 |
| 算法基础 | 机器学习基础扎实：监督/无监督/评估/特征工程 | 树模型（XGBoost/LightGBM）实战经验 |
| 深度学习 | 熟练使用至少一个深度学习框架 | PyTorch；Transformer 架构理解 |
| 数据结构与算法 | 笔试考察：数组/链表/树/图/DP | 竞赛或 LeetCode 题量积累 |
| 工程化 | 熟悉模型上线与线上评估流程 | Spark/Flink 等大数据工具；分布式训练 |
| 业务/领域 | 业务理解与指标拆解能力 | 垂直领域（电商/广告/风控）背景；SQL 熟练 |
为什么"业务建模向"的 JD 最难读
同一份"算法工程师"JD，挂在交易部门和在研究院，职责可能截然不同。投递前用两个问题筛掉错配：这个岗位的模型给谁用？（内部决策 vs 线上产品） 和 评估模型的是离线指标还是业务指标？ 前者决定你做技术深度还是业务深度，后者决定你入职后的日常。
2. 大模型算法工程师
2022 年底之后增长最快的岗位类型，到 2026 年已经是大厂算法岗位的绝对主流方向之一。代表性 JD 分三类：
- 预训练 / 对齐向（常见于百度文心、阿里通义、字节豆包）：参与大模型的预训练、SFT、RLHF、评测。
- 应用 / 落地向（各业务线都有）：把基座模型接进业务，做 RAG、Agent、Prompt 工程、评测与迭代。
- 推理优化向（常见于平台部门与云厂商）：模型压缩、量化、推理服务化，把"能用"做成"能用得起"。
技能要求拆解（三份代表性 JD 的共性）：
| 维度 | 硬性要求（几乎必现） | 加分项（出现频率高） |
|---|---|---|
| 语言与框架 | Python；PyTorch 熟练 | 分布式训练框架（Megatron/DeepSpeed）；C++/CUDA |
| 模型知识 | Transformer 架构原理扎实；Prompt/RAG 等应用范式 | 微调（LoRA/全参 SFT）；RLHF/DPO 实践 |
| 训练工程 | 了解大规模训练：数据管道、梯度、显存优化 | 千卡级以上训练经验；推理优化（量化/蒸馏） |
| 评测与数据 | 能搭建评测集、用数据驱动迭代 | 数据工程经验；人工评测标注体系设计 |
| 论文能力 | 能读懂并复现最新论文 | 顶会论文 / 开源模型贡献 |
大模型岗的"伪门槛"要会甄别
大模型岗 JD 往往写得最"吓人"（RLHF、千卡训练、Agent 框架），但仔细看会发现大部分写的是加分项。真实分布是：预训练岗才真的需要大规模训练经验（应届博士或资深工程师为主），应用落地岗只需要"会用模型 + 会评测 + 会工程"，这两类岗位的技能要求差距巨大，投错方向是最常见的浪费。判断方法：看岗位所属组织——研究院/基础大模型团队 vs 业务技术团队，前者要训练能力，后者要应用能力。
3. NLP 算法工程师
大模型兴起后，NLP 岗位并没有消失，而是明显向"大模型 + 领域知识"演化。代表性 JD 分两类：
- 通用 NLP / 语言理解（搜索引擎、智能客服、内容理解）：分类、抽取、匹配、摘要。
- 大模型应用向（知识库问答、Agent、内容生成）：检索增强、工具调用、长文本处理。
技能要求拆解（两份代表性 JD 的共性）：
| 维度 | 硬性要求（几乎必现） | 加分项（出现频率高） |
|---|---|---|
| 编程 | Python；数据处理能力 | C++/Java；服务化开发 |
| 模型 | 熟悉预训练语言模型与主流范式 | 微调与对齐技术；RAG 全链路 |
| 深度学习 | 深入理解 Transformer 及注意力机制 | 训练框架源码阅读经验 |
| 工程化 | 文本数据的清洗、标注、评测流程 | 向量检索（faiss 等）；Agent 框架 |
| 业务/领域 | 业务指标与模型指标的对应能力 | 搜索/客服/内容领域经验 |
4. CV 算法工程师
计算机视觉岗位在大模型时代经历了两轮变化：一是传统任务（检测、分割、OCR）依然是工业刚需，二是多模态大模型让 CV 工程师的技能栈开始与 LLM 重叠。代表性 JD 分两类：
- 感知 / 传统任务向（自动驾驶、内容安全、OCR、安防）：检测、分割、识别，强调精度与部署。
- 多模态向（图生文、文生图、视觉问答）：视觉编码器 + 大模型对齐。
技能要求拆解（两份代表性 JD 的共性）：
| 维度 | 硬性要求（几乎必现） | 加分项（出现频率高） |
|---|---|---|
| 编程 | Python；深度学习框架熟练 | C++；推理引擎（TensorRT/ONNX） |
| 视觉基础 | 熟悉主流检测/分割/分类模型 | 目标检测实战项目；数据增强与长尾处理 |
| 深度学习 | 训练与调参经验；模型压缩与部署 | 多模态模型（CLIP 类）经验；大模型微调 |
| 数据 | 数据收集、清洗、标注流程 | 半监督/自监督方法；评测集设计 |
5. 推荐算法工程师
电商、内容、广告三大场景的常青岗位，也是国内"算法工程师"岗位中占比最大的一支。代表性 JD 分两类：
- 召回 / 排序 / 重排（电商、短视频、信息流）：CTR/CVR 预估、向量召回、多目标优化。
- 工程向（推荐平台）：特征平台、训练平台、在线推理服务。
技能要求拆解（两份代表性 JD 的共性）：
| 维度 | 硬性要求（几乎必现） | 加分项（出现频率高） |
|---|---|---|
| 编程 | Python；工程代码质量 | C++/Java；高并发在线服务经验 |
| 算法 | 机器学习基础；CTR/CVR 预估模型 | 深度召回（双塔/图召回）；多目标建模 |
| 工程化 | 特征工程与离线/在线一致性 | 特征平台/训练平台建设经验；大数据工具 |
| 数据结构与算法 | 笔试与在线系统设计 | 高并发场景设计经验 |
推荐岗的隐藏要求：指标意识
推荐岗位的 JD 很少把"理解业务指标"写进硬性要求，但它实际上是面试的隐性分水岭：AUC 涨了 0.5 个点意味着什么？拉长用户时长还是伤及毛利？面试官用这类问题区分"会跑模型"和"会做推荐"。这类能力的准备可回看面试题解析中关于指标设计的部分。
6. 机器学习平台 / MLOps 工程师
模型多了之后，训练和部署本身成了岗位。代表性 JD 分两类：
- 训练平台向：分布式训练调度、资源管理、实验管理。
- 推理 / 在线服务向：模型服务化、弹性扩缩容、灰度发布、监控告警。
技能要求拆解（两份代表性 JD 的共性）：
| 维度 | 硬性要求（几乎必现） | 加分项（出现频率高） |
|---|---|---|
| 编程 | Python 与至少一门系统语言 | Go；Kubernetes 与容器编排 |
| ML 基础 | 理解模型训练与推理流程 | 掌握常用模型生命周期管理 |
| 工程化 | CI/CD、监控、可观测性 | GPU 资源管理与调度；推理引擎 |
| 分布式 | 分布式系统原理（一致性/调度/容错） | 大规模集群运维经验；云原生 |
这个岗位是理解 MLOps 的最佳实践载体，也是算法工程师转工程方向的经典通道。
三、海外公司岗位
海外岗位的 JD 用词与国内差异很大，但技能内核高度相似。下面是六家公司招聘页常见岗位类型的英文 JD 共性归纳。
1. Google：SWE-ML / ML Engineer / Research Scientist
Google 的机器学习岗位大量落在 Software Engineer 的标签下（SWE-ML），强调"工程属性优先于研究属性"。
- 常见要求：Strong programming skills (Python/C++); solid ML fundamentals; experience with distributed systems and production ML; for research roles, publications in top venues。
- 信号解读：
SWE-ML意味着面试主体是系统设计 + 编程，ML 部分考察深度但占比有限；Research Scientist则直接要求论文发表记录。
2. Meta：ML Engineer / Research Engineer / AI Engineer
Meta 的 ML Engineer 是"应用研究"导向：既要读论文，也要把论文变成线上系统。
- 常见要求：experience training large-scale models; PyTorch proficiency; strong C++/Python; understanding of ML infrastructure (data pipeline, training, serving)。
- 信号解读：Meta 是 PyTorch 的大本营，JD 里
PyTorch出现频率极高；Research Engineer介于研究员与工程师之间，要求"能把论文复现并工程化"。
3. Amazon：Applied Scientist / ML Engineer / SDE-ML
Amazon 的岗位谱系最有层次：Applied Scientist（偏建模与科学方法）、ML Engineer（偏系统与管道）、SDE-ML（软件工程 + ML 专项）。
- 常见要求：strong ML fundamentals and statistics; hands-on experience with modeling (LLMs, recommender systems); proficiency in Python and SQL; experience with AWS stack; strong communication for science roles。
- 信号解读：Amazon 对统计基础与实验设计（A/B testing）的要求显著高于其他家，这与它电商 + 云的业务基因一致；
SQL在 Amazon JD 里出现的频率也高于同行。
4. OpenAI / Anthropic：ML Engineer / Research Engineer / Applied AI
前沿实验室的岗位数量少、门槛极高，但 JD 模式非常清晰：要么做研究（pretraining / alignment / scaling），要么做基础设施（training infra / inference infra）。
- 常见要求：deep expertise in deep learning and large-scale training; experience with distributed training frameworks (PyTorch, JAX); strong systems engineering for infra roles; for research roles, a track record of original contributions。
- 信号解读：这类 JD 几乎没有"业务向"岗位，全部围绕模型本身；
JAX、distributed training、infra是关键词。对多数求职者，它们是行业风向标而非现实目标——它们的技能清单会在一两年内渗透到所有大厂 JD 中。
5. Microsoft：Applied Scientist / ML Engineer
微软的岗位分布横跨研究院（Research）、云（Azure AI）与产品（Copilot 相关）。
- 常见要求：ML/deep learning fundamentals; experience with LLM application development (RAG, fine-tuning, evaluation); production ML experience; Python and C#/C++。
- 信号解读：微软的 JD 是"LLM 应用技能"最早批、最密集的实践者，
RAG、evaluation、AI safety等词在微软 JD 中的出现早于大多数公司。
英文 JD 关键词速查表
| 关键词 | 常见含义 | 国内对应表述 |
|---|---|---|
| ML fundamentals | 机器学习基础：建模、评估、偏差方差 | 机器学习基础扎实 |
| Deep learning | 深度学习：神经网络、训练与调参 | 深度学习框架熟练 |
| Distributed training | 分布式训练：数据并行/模型并行 | 大规模训练经验 |
| LLM application | 大模型应用：RAG、微调、Agent | 大模型落地经验 |
| MLOps / ML infra | 模型生命周期与基础设施 | 模型平台/工程化 |
| Production experience | 有上线经验的证明 | 能落地的工程能力 |
| Publications | 论文发表 | 研究能力证明 |
海外求职的"翻译能力"
同样的能力，中文 JD 和英文 JD 的写法完全不同。中文 JD 写"熟悉主流大模型应用范式"，英文 JD 写 experience building RAG-based applications；中文 JD 写"工程能力扎实"，英文 JD 写 owned production systems end-to-end。投海外岗前，先把你的项目经历翻译成英文 JD 的"动词 + 结果"句式——这是简历分析的核心技巧在跨语言场景下的应用。
四、岗位要求词频表
下表从上述国内外常见 JD（含本文二、三节归纳的样本）中提炼高频技能词，按经验性出现频率排序。它不是一个精确统计，而是从大量 JD 阅读中得到的量级判断——前两档的词几乎出现在所有 JD 里，后两档的分布则因岗位而异。
| 排序 | 技能词 | 频率档位 | 出现场景 |
|---|---|---|---|
| 1 | Python | ★★★★★ 几乎必现 | 所有算法/ML 岗位的语言门槛 |
| 2 | 机器学习（基础） | ★★★★★ 几乎必现 | 所有建模岗的第一条要求 |
| 3 | 深度学习 | ★★★★☆ 高频 | 建模岗标配；平台岗中频 |
| 4 | 数据结构与算法 | ★★★★☆ 高频 | 笔试与面试的硬门槛 |
| 5 | PyTorch | ★★★★☆ 高频 | 深度学习与 LLM 岗的事实标准 |
| 6 | SQL | ★★★☆☆ 中频 | 数据岗、业务建模岗常见 |
| 7 | 分布式 | ★★★☆☆ 中频 | 训练/平台/服务化岗 |
| 8 | LLM（大模型） | ★★★☆☆ 中频但上升最快 | 2024 年后扩散至几乎所有算法岗 |
| 9 | RAG | ★★☆☆☆ 新兴 | 大模型应用岗的标配加分项 |
| 10 | 微调（SFT/LoRA/RLHF） | ★★☆☆☆ 新兴 | 大模型应用与预训练岗 |
三个值得注意的读数：
- Python 是唯一"跨岗位全必现"的词，无论算法、平台、数据还是研究员岗。它不只是语言，还是生态的代名词——PyTorch、NumPy、pandas、LangChain 全家桶都在 Python 里。
- LLM / RAG / 微调 是唯一呈"上升趋势"的组。其他词基本稳定，这三个词从 2023 年的"极少数岗位出现"上升为 2026 年的"算法岗标配背景板"。
- SQL 被系统性低估。它出现在约半数 JD 里，但因为是"默认会"的技能，常被求职者忽略；而实际工作中取数、分析、核对线上数据全要它。
五、要求与本站页面的映射表
把词频表里的高频词映射到本站学习页面，就是你的"查漏补缺"导航：
| 高频技能词 | 岗位里的真实要求 | 本站对应页面 | 怎么用 |
|---|---|---|---|
| Python | 能写工程级 Python，不只是写脚本 | 学习路径 与术语表 | 查概念口径；按路径补基础 |
| 机器学习（基础） | 监督/无监督/评估/特征工程讲得清 | 监督学习 | 先补监督学习，再扩展 |
| 深度学习 | 框架会用、原理能讲、调参有理 | 深度学习基础 | 补神经网络与反向传播 |
| 数据结构与算法 | 笔试与手撕代码 | 面试题解析 | 刷题前先看高频考点 |
| PyTorch | 能训练、调试、部署模型 | 深度学习基础 | 学完概念后动手跑框架 |
| SQL | 取数、清洗、指标核对 | 学习路径 | 在路径里找数据处理环节 |
| 分布式 | 大规模训练/推理的工程能力 | MLOps | 补模型生命周期与训练工程 |
| LLM（大模型） | 懂原理、会应用、能评测 | 大语言模型 | 建立大模型全貌 |
| RAG | 检索增强全链路 | 大语言模型 | 看 RAG 的工程落地 |
| 微调 | SFT/LoRA/对齐 | 大语言模型 | 学微调与评测方法论 |
一张表说不完的差距，去能力地图展开
映射表只覆盖"词 → 页面"，但没有覆盖"你 → 词"。把本文高频词逐条放进能力地图打上"会 / 不会 / 半会不会"，才得到真正属于你的补课清单。JD 告诉你要什么，能力地图告诉你缺什么——两步缺一不可。
六、趋势观察
1. 大模型相关岗位占比上升
用"算法类岗位中，JD 里出现大模型关键词（LLM / 大模型 / 生成式 / RAG / 微调）的占比"这个粗指标看：
2021 ~ 5% （GPT-3 刚出现，仅在研究岗）
2023 ~ 20% （ChatGPT 之后快速扩散）
2025 ~ 50% （普通算法岗也开始要求大模型能力）
2026 ~ 60%+ （大模型成为算法岗的默认背景）
判断依据：各公司招聘官网与招聘平台岗位描述的公开可见趋势，
非精确统计，只表示量级与方向。这个趋势有两个值得注意的细节：
- 不是替代，而是叠加。"会大模型"极少单独成岗，绝大多数岗位是"原岗位能力 + 大模型能力"。推荐算法工程师现在被要求会 RAG 检索增强，CV 工程师被要求懂多模态，NLP 岗位几乎整体迁移到大模型范式——传统技能没有消失，只是多了一层。
- 预训练岗与应用岗分化。占比上升的主力是应用岗（用模型），而非预训练岗（训模型）。前者门槛相对低、岗位多、增长快；后者岗位少、要求高、集中在少数团队。
2. 传统 ML 岗位的演化方向
传统建模岗（风控、推荐、广告、搜索）没有萎缩，但在往三个方向演化：
| 演化方向 | 表现 | 对求职者的含义 |
|---|---|---|
| 大模型化 | 树模型时代保留，但 LLM 开始承担特征抽取、内容理解、排序辅助 | 不要放弃传统 ML 功底，但要有"把它和大模型结合"的思维 |
| 平台化 | 业务线算法岗减少，能力收敛到平台团队 | 纯业务建模岗在变少，平台与基建岗在变多 |
| 数据/评测化 | 大模型应用的瓶颈从"造模型"变成"造数据、做评测" | 数据工程与评测能力成为新的稀缺技能 |
一个值得记住的结构性判断
大模型时代，模型本身正在变成基础设施（像水电一样按调用付费），而数据、评测、场景适配成为差异化所在。这解释了两件事：为什么平台/MLOps 岗增多，为什么"会搭评测集、会做数据清洗"在大模型 JD 中的权重持续上升。这两块恰是MLOps与大语言模型两页内容的核心。
3. 对求职者的三个务实建议
- 保住传统基本功。大模型岗占比上升，但面试依然考数据结构、ML 基础、Python——这些是所有岗位的公约数，也是你抗岗位波动的底仓。
- 把大模型能力作为"第二技能"补齐。不需要会训练千亿模型，但"会用 API / 开源模型搭建一个 RAG 或 Agent 应用并做评测"是 2026 年算法岗面试的标配问题，值得一个完整项目。
- 用数据而非情绪做决策。每隔一个季度刷新一次本文的读法：去招聘网站看 20 份你目标岗位的最新 JD，用第一节的"硬性/加分"框架重新拆一遍。JD 是市场给你的信号，你只需要学会解码。
七、延伸阅读
- 模块导读与岗位版图 —— 九类岗位全景，先定位再补差距
- 能力地图 —— 把 JD 技能词转成个人补课清单
- 简历分析 —— 按 JD 重写项目经历，讲出面试官想听的故事
- 面试题解析 —— 高频考题与答题框架，最后再自测
- 求职冲刺线 —— 从 JD 和面试题倒推学习的完整主线
- 监督学习、深度学习基础 —— 两个最硬的技能底座
- MLOps —— 模型到系统的工程能力
- 大语言模型 —— 大模型原理、RAG 与微调全貌
- 术语表 —— 术语口径统一，避免"半会不会"式理解
参考资料
以下是获取真实 JD 的可靠渠道。本文所有归纳均以这些渠道的公开信息为基准；各公司 JD 以官方招聘页实时发布为准，第三方平台信息可能存在滞后：
- 国内公司官方招聘：阿里巴巴（talent.alibaba.com）、腾讯（careers.tencent.com）、字节跳动（jobs.bytedance.com）、百度（talent.baidu.com）、美团（zhaopin.meituan.com）、京东（zhaopin.jd.com）等官方招聘网站
- 海外公司官方招聘：Google Careers（careers.google.com）、Meta Careers（careers.meta.com）、Amazon Jobs（amazon.jobs）、OpenAI Careers（openai.com/careers）、Anthropic Careers（anthropic.com/careers）、Microsoft Careers（careers.microsoft.com）
- 国内招聘平台：脉脉（maimai.cn）、BOSS 直聘（zhipin.com）、猎聘（liepin.com）——用于观察岗位分布与 JD 用词频率
- 海外薪资与岗位统计：levels.fyi —— 用于了解岗位类型与薪酬量级，非官方数据
一条底线
本文不提供也不引用任何一份"某某公司 2026 年某岗位 JD"的原文，因为这类内容既无法验证、也必然过时。一切以官方渠道实时发布的 JD 为准——把你读到的每一份 JD 当成训练数据，本文只是教你怎么读懂它们。