高考生填志愿前都该认真读一遍的DeepSeek招聘帖

张无忌接任明教教主，堪称《倚天屠龙记》中最具颠覆性的一次人事任命。他从未渴望成为英雄：刚从山谷脱困，江湖声望与门派背景几乎为零，履历上仅能写下一句“曾在蝴蝶谷随胡青牛学医，肄业”。登上光明顶时，他甚至是被塞在说不得的乾坤一气袋里扛进去的。

然而就在那一刻，明教高手或伤或残，六大门派围攻而至，灭门危机迫在眉睫。金庸并未安排德高望重的老前辈出面主持大局，也未让明教开会审核他的资历。强敌当前，规矩让位于实力，谁能接住招，谁就能站上舞台中央。

将目光拉回当下，AI行业也迎来了这样的“光明顶时刻”。DeepSeek日前广发英雄帖，公告中明确提到“让新人直接承担最核心、最重要的任务”。说实话，这类措辞在招聘公告中屡见不鲜，十有八九是客套话。但仔细分析其岗位详情，会发现这次确实下了真功夫。而且，这种打破常规的人才选拔机制，几乎已成为AI全行业的共识。

AI 时代，谁是下一个张无忌？

我们通过AI工具抓取了DeepSeek官网所有在招岗位，共计7大类、36个职位：涵盖全栈开发、算法研究、核心系统研发、运维、产品、数据策略以及深度学习研究，并辅以HR、法务、财务和采购等职能岗。

招聘范围从北京、杭州一路延伸至内蒙古乌兰察布的数据中心。整体来看，纯粹模型研究员的占比并不高，更多岗位涉及数据治理、评测机制、Agent系统、超大规模算力集群，以及数据中心的能源与散热管理。这说明什么？DeepSeek关注的早已不只是模型训练这一亩三分地。模型是显露在外的招式，而底层的数据、评测、算力、基建，才是内功与筋骨。

摊子铺得如此之大，按常理应重金延请成名多年的老将。但在实际招聘中，DeepSeek并未设立僵化的经验门槛。

例如，硬核的高性能算子岗位，加分项末尾附了一句：“充分欢迎有热情的白纸同学加入。”这也印证了梁文锋曾说过的话：DeepSeek招人看能力，不看经验。包括知名分析机构Epoch AI上个月将DeepSeek、MiniMax、月之暗面、智谱、字节、阿里六家的招聘信息全部抓取，共1604份，并与美国头部实验室对比。结果发现一个显著差距：美国公司岗位平均要求5.5年经验，而中国这六家仅为1.6年；且校招岗位在中国实验室工程岗中占比接近两成。

当然，现实江湖毕竟不是爽文，绝没有那么多无名小子天降机缘的白日梦。比如多模态研究员的核心要求列了五条，末尾补充道：“即使没有上述特定经验，只要基础特别扎实、代码能力极强、对多模态有极致渴望，我们也欢迎。”

仔细品味这个句式：经验可以没有，但“基础特别扎实”和“代码能力极强”这两个前提毫不让步。所以“白纸同学”的完整含义是：白纸可以，草包不行。算子团队的自我介绍也提到：不和任何对手比性能，只跟硬件的物理极限比，对每一个cycle和每一瓦功耗有着近乎偏执的追求。这是独孤求败的境界——不与人过招，只与天过招。

预训练数据、后训练数据、Code Agent数据、通用Agent数据、专业领域数据、AI创作数据、情感智能数据——光数据和评测方向就有这么多招聘岗位，比正经研究员的坑位还多。

什么才算好？专业领域产品经理的要求写道：要能从知识准确性、推理质量、表达水准等多个维度对模型回答形成清晰的优劣判断。道理不难理解：当模型能生成的内容越来越多，稀缺的就成了判断力。就像风清扬教令狐冲，招式人人会使，但哪一剑是活的、哪一剑是死的，得有人看得出来。而这份眼力要用在哪儿，岗位详情反复强调：真实用户、真实任务、真实反馈、真实短板。

Agent Harness方向设有研究员、工程师、产品经理三个岗位，但都指向让模型融入真实工作流。甚至这股务实劲儿连非技术岗都没放过：全员都得会用AI。

研究员的要求中写着“善于使用先进AI工具提升工作效率”，这并不稀奇；稀奇的是连数据产品经理都被要求熟悉Prompt Engineering，能通过Vibe Coding等方式快速验证想法。把这些细节拼凑起来，AI时代的人才画像便清晰浮现。整体形状像哑铃：一头是极硬的底层功夫——数学、体系结构、系统工程——大模型往深处走，尽头就是算力和数理。

另一头是极深的专业纵深：医学、法律、文学——领域专家的判断力就是校准模型的标尺。两头中间横着两条通用要求：判断力和AI工具，贯穿所有岗位。而最尴尬的位置，留给了样样通、样样松的“万金油”。巧的是，这份招聘启事挂出时，正赶上大批高考生焦头烂额地填报志愿。对他们来说，这36个岗位完全可以作为一份职业规划参考指南。

读懂这份武功秘籍，少走三四年弯路

填志愿难，难在从起点往前看，前面全是迷雾。招聘帖是从终点往回写的，每条路通向哪座山头，写得清清楚楚。诚然，AI行业瞬息万变，谁也无法断定三四年后的专业风口在哪，但即便如此，透过这些岗位去审视背后站着的几大类专业，依然能为迷茫的当下提供一份极其珍贵的启示。

塔尖的岗位需要什么专业？预训练研究员的加分项里写得明明白白：“NOI/CMO/CPhO银牌及以上，顶尖高校院系排名前5%。”NOI是信息学奥赛，CMO是数学奥赛，CPhO是物理奥赛。

也就是说，AI公司最顶尖的研究岗位，点名要的是数学和物理功底。这不奇怪，深度学习剥开来看就是数学：scaling law、优化器设计、训练动力学，全是数理功夫。所以数学系、物理系、统计系，从来都是进入AI领域的正门。

此外，超算集群工程师的岗位要求，第一条就是深刻理解计算机组成、操作系统、计算机网络等核心原理。这些基础知识，前些年不少学生觉得是“老古董”，考完就忘，写业务代码也用不上。

现在十万卡集群一来，体系结构、编译原理、分布式系统，老学问全部变得金贵起来。所以别光看专业名字里有没有“智能”，要翻课程表，看这些硬课开不开、开多深。有些新专业名字响亮，课程却浅；有些老专业不时髦，反而经久耐用。

再比如，IDC数据中心团队。它为年轻工程师列出的加分专业是：“电气/暖通/自动化/能源/通信/计算机/环境/土木。”这串看似分散的专业，其实正好勾勒出一座现代数据中心的完整轮廓。

对年轻工程师而言，这不仅意味着跨学科的机会，也意味着需要具备更综合的工程视角：既要懂设备，也要懂系统；既要能解决现场问题，也要能参与整体优化。

理工科之外，文科的大门也敞开着。专业领域数据产品经理招聘小语种、医学、法律方向，岗位要求里有一句话值得所有文科生和专业学科的学生学习：“我们不限定专业方向，每一个领域的纵深都可能是模型下一次突破的起点。”

划一下重点：纵深。法学生若能判断一个法律回答是否严谨、能把复杂案例拆解成可训练的数据、能设计法律问答的评测集，其价值无可替代；反之，若只会死记硬背、套用模板，则极易被淘汰。AI创作数据产品经理也需要文学审美，能够把“写得好不好”拆解为清晰、可衡量的能力维度。换言之，中文系、写作出身的人，只要功夫足够深，也能进入AI公司的核心岗位。

岗位表的末尾，藏着一个特别的名目，叫AI跨界技术人才。明确写着不设专业限制，要求里有一条是“在任何一个领域做到过极致，能证明自己的专注力和钻研深度”，加分项的最后一行只有五个字：“不走寻常路。”

填报完志愿，终究是要上大学的。把36个岗位的要求和加分项全部摊开，你会发现它们翻来覆去说的是同一件事。攒作品是最重要的。预训练研究员的加分项写着“一作引用过100的文章”，后面跟了个括号：不要求已发表于期刊或会议。同样的逻辑贯穿全表：大型开源软件的深度贡献、优秀的个人开源项目、个人技术博客，跨界岗甚至支持曾经创过业，或从零到一做成过有一定影响力的事情。

能替你说话的，除了作品，就是当场见真章的比武。超算和算子岗点名SC、ASC、ISC、PAC这些超算竞赛，NOI、IOI、ICPC这些算法竞赛，服务端岗还加了CTF——道理相同，比赛要真打，凑数式的参赛经历反而露怯。

当然，最重要的还是把AI用出体感。专业领域岗要求“使用过多个主流大模型，能够敏锐感知不同模型的能力边界与差异”。高强度使用AI，本身就是AI时代的基础需求。而且这一项不挑学校，不挑专业。预训练岗的加分项里有在顶尖AI公司或实验室核心团队长期实习，作为主要贡献者做出过用于主线模型的成果，所以实习要早找，而且要找真正干活的岗位。

更有意思的是，超算岗位末尾专门写了一段“视野与思辨”，说广泛的兴趣，无论音乐、体育还是美术，都将为你带来独特的视角与创新灵感。光埋头练功的人，成不了绝顶高手。

仔细想想，上面说的这几件苦差事短期内都没有回报，也没人看见。开源贡献不算学分，复现论文不发奖状，HomeLab更没人给你鼓掌。

张无忌在山谷里的第四年，大概也是这么过的。后来光明顶上，众人只看见一个少年接连接下六大门派的高招，惊为天人。天上不降奇才，天上只降雨水。所谓奇才，不过是那些在山谷里无人问津的苦熬岁月，忽然有一天，被看见了。而这样被看见的机会，往后只会更多。

高考填报志愿，不过是选择了一座山门；大学的数载光阴，才是修炼内功的关键；而毕业后的职业抉择，则是真正的提剑下山。如果你现在觉得手里空空如也，别慌。趁着还在山上，耐着性子去打磨。请相信，山谷里的日子，没人看见，也都算数。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：高考生填志愿前都该认真读一遍的DeepSeek招聘帖要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题