“LLM微调/RAG/Agent，硕士及以上，薪资面议。”——短短一行字，像一份技术栈清单，也像一句咒语。它到底在召唤什么样的人？更深一层，它到底在召唤什么样的“技术实现”？
先剥开第一层洋葱：JD里的每一个缩写，都是一次“把不确定性封装成接口”的努力。LLM微调，意味着基座模型不再是黑箱，而是可被梯度反向穿透的软体；RAG，意味着外部索引必须像毛细血管一样实时把知识泵进生成路径；Agent，则干脆把“对话”改写成“操作系统”，让语言模型调用工具、读写记忆、甚至生成子进程。招聘方并非简单罗列技能，而是在描述一幅“可维护的复杂系统”蓝图——他们想要的，其实是一套能把“语言”变成“可靠服务”的工程叙事。
可“可靠”二字，恰恰是大模型时代最暧昧的修辞。换个角度看，微调、检索、Agent这套三叉戟，本质上都在对抗同一个敌人：模型内化的知识既深且偏，且不可审计。于是，技术方案分裂成两条哲学路线：一条相信“再训练”，用梯度把新知识熬进权重；一条相信“外挂”，用检索把知识留在体外，只在生成瞬间租借给模型。前者追求“本体论更新”，后者坚持“工具论契约”。JD把两者并置，仿佛它们只是并列菜单，实则暗藏路线之争——你究竟愿把不确定性炼进模型的灵魂，还是让它留在可随时拔插的义体？
更深一层，这种分裂背后，是算力与数据权力的再分配。微调需要A100级别的显存长跑，检索却更依赖向量库的工程韧性；Agent进一步把压力甩给运维——每次工具调用都是一次网络IO，每一次IO都可能把延迟的方差放大成用户体验的裂缝。于是，招聘要求里那句“硕士及以上”就不再只是学历滤镜：一种“默认你懂分布式痛苦”的默契——你最好亲手把OOM（显存溢出）驯服成一张可解释的监控图，也最好能把P99 latency压进人类耐心的阈值；部分国资/政府项目学历要求为硬性申报条件，于是门槛被叠加放大，成为对“你能否独立承受系统复杂性”的廉价预测器。
再把镜头拉远，这场人才竞价，像极了一场“技术封建”圈地。百融云创强调“企业级Agent OS”，每日互动把“政务全流程”写进卖点，群核科技则直接亮出“创始人&首席科学家直带”——每一家都在用场景独占性换人才忠诚度。表面看，是岗位在抢人；本质里，是数据壁垒抢时间。谁先把自己的场景熬成“不可替代的数据飞轮”，谁就能把该范式闭环变成私有护城河。招聘，于是成了技术宣言的延伸：我们不仅有卡，还有你在外面永远拿不到的垂直数据；只要你进来，梯度将只在你手中流动。
然而，这背后也埋下一枚认知地雷。当JD把技术栈钉死在“LLM+RAG+Agent”的三叉戟，它同时也在悄悄收窄工程师的想象疆域：问题被预定义为“如何让大模型在我司场景不掉链”，而非“大模型究竟该不该是解决该问题的唯一方式”。历史总在押韵——回想十年前，深度学习刚席卷CV，招聘页面清一色“Caffe/TensorFlow+GPU+ImageNet”，仿佛其他路线已提前退役；结果边缘计算、传统几何、图形渲染在若干年后又杀回主流。今天的“微调+RAG+Agent”，会不会是另一场“范式短视”？换句话说，当我们把所有技术债务都翻译成“提示工程”或“检索切片”，是否也在把更具颠覆性的可能锁进盲区？
更值得玩味的是，岗位描述里普遍缺席的一个词——“评测”。几乎每家公司都在喊“落地”，却很少公开他们拿什么尺标衡量“落成了”。Open LLM Leaderboard、HELM、MMLU 乃至中文的 C-Eval、CMMLU 确实已给出公开基准，金融、政务场景更有内部金标与法规验收；然而，公开基准与垂直场景真实 gap 尚未闭合——金融风控里的“可解释性”与 Leaderboard 上的“准确率”常常不在同一维度，政务服务里的“合规留痕”也不会出现在任何通用榜单。于是，招聘方在 JD 里仍选择回避具体指标，把“技术实现”的终点让渡给“业务方的感觉”。没有统一量尺，就等于把工程师的 KPI 偷偷换成“让领导在 demo 时点头”，而非“在可复现基准上提升 X 个点”。这意味着，你熬夜写的 RAG 召回策略，可能敌不过一句“这个回答不够口语化”的即兴点评。技术实现，在此刻被拉回了前现代的“手工业”——它不再由实验记录驱动，而由权力话语裁决。
所以，当我们再读那句“硕士及以上，薪资面议”，不妨把它当作一纸哲学邀请函：它邀请你进入的，不只是一份工作，更是一场关于“如何把语言模型锻造成社会可信构件”的长期辩论。你可以选择成为“系统内”的调参匠人，把不确定性压进显存的缝隙；也可以选择做“系统外”的观测者，追问“如果大模型终将失效，我们该保留哪些退出通道”。两条路没有标准答案，却决定了下一代 AI 基础设施的伦理底色。
招聘广告写完，故事才刚刚开始。下一位点开 JD 的工程师，你准备好先回答那个不会写在岗位介绍里的问题了吗——
当模型再次 hallucinate，你愿意让谁承担幻觉的代价？梯度，还是人？