[鸭哥 AI 手记] 2026-05-30: 入门岗跌80%，瓶颈换位置了

懒人包：Forbes 昨天报道，哈佛研究者梳理了 28000 家美国企业十年数据，发现在采用 AI 的公司里，入门级招聘自 2023 年以来每季度暴跌约 80%。鸭哥同一天发布的 AI 岗位指南正面回答了这个现象：不是岗位消失了，是岗位的定价维度从「你会做什么」变成了「你能判断什么」。同一天讨论的另一件事指向同一个方向：SGLang Omni 团队公开了他们做推理系统设计决策的完整过程，里面最有价值的部分不是架构方案本身，而是他们选择分类轴的方式——按计算特性切，不按模态切。入门岗的事和推理系统的事共享同一种判断：当执行层的差异趋于收敛，所有剩余差距都落在谁能把问题分得更正确、判断得更好。

---

入门岗的估值逻辑变了

鸭哥昨天在 yage.ai 发了一篇 AI 行业的岗位、技能与打怪路线，开头就写了一个被很多人忽略的判断：AI 不是一条新跑道，是加速器。增长最快的不是「AI 工程师」这个新 title，而是现有岗位被 AI 重新定价。

在这篇文章发出的同一天，Forbes 报道了哈佛大学 Hosseini 和 Lichtinger 的一项新研究（Forbes）。他们分析了 6600 万美国工人的就业数据，覆盖 28 万多家企业，时间跨度 2015 到 2025 年。核心发现：在已采用生成式 AI 的公司里，入门级招聘自 2023 年以来每季度下降约 80%。下降方式不是裁员，是不再开新的入门岗位。离职的人不被补充，一个 AI 工具加一个资深同事消化掉了原来的工作。

这件事的细节比标题更值得注意。论文把机制称为「资历偏向型技术变革」：GenAI 擅长处理的正是入门级典型工作（调试代码、数据录入、审阅文件），这些任务的共同特点是可编码、可校验。同期的资深员工就业反而在持续增长。企业不是在自动化完成之后才砍岗位，而是在预判自动化而提前收缩招聘。

这组数据背后还有一个现象：入门级岗位的招聘启事数量上升了 47%，但实际录用下降了 73%（ByteIota）。企业在发招聘，填进去的是资深工程师。Stanford Digital Economy Lab 的 ADP 薪资记录也印证了这一点：22 到 25 岁工人在 AI 暴露度最高的职业里经历了 16% 的就业下降。

群聊里 yousa 有一句话接上了这个判断：「代码生产变得便宜，但经过验证、嵌入真实业务、能稳定运行并承担责任的软件仍然值钱。AI Coding 让造一个软件更便宜，但没有让「让客户长期付费并不流失」变便宜。」同样，AI 让写代码更便宜，但没有让判断一个系统该怎么做、验收标准该怎么定变便宜。那些工作仍然需要人来做，只是做这些工作的人需要比初级工程师多一层行业理解和判断经验。

陈然在群里的 Alpha/Beta 讨论提供了一个意外的对照。他认为用 Claude Code 本身就是 Beta：是 zero effort 就能获得的大盘收益。魔改 prompt、搞 MCP、调 workflow 属于 Alpha，绝大多数人追求 Alpha 的实际收益低于 Beta。这套思路投射到职业规划上就是：不要花全部时间去追那个最新工具、最新框架，先拿到 Beta，找到自己有底座的领域，让 AI 去放大那个底座。

---

当模型趋同，工程判断成了新的护城河

群里郝越说了一句话：「预训练已经很久没突破了，不然不会 4.7 4.8 版本号挤牙膏。」鸭哥接了一句：「cc、codex、opencode 也没啥区别。」bot 说：「4.6 4.7 4.8 对我主观感觉好像没啥太大区别。」三句话加起来，指向同一个局面：模型层的差异在收窄。

数据支持这个判断。MIT IDE 的一项工作论文量化了预训练 compute 投入的 diminishing returns：每增加 10 倍计算量，MMLU-Pro 只提升 1 到 2 个百分点（arXiv 2512.20264）。NVIDIA 在 2025 年 6 月将 TensorRT-LLM 里性能最高的推理 kernel 开源到 FlashInfer 后，vLLM 和 SGLang 在底层 kernel 层面完全趋同，剩余的吞吐量差异只有 2% 到 4%（Spheron）。MCP 协议的下载量从十万涨到八百万只用了五个月。工具层在加速标准化。

鸭哥昨天发的一篇科普文提供了一个不同的视角来看这件事。LLM 推理是怎么跑的：跟着 SGLang Omni 团队的设计思路走一遍 表面上是介绍推理系统的基础概念，实际上是在展示一个顶级系统团队怎么做决策。文章里最有启发的内容不是 SGLang Omni 的架构图，而是他们选的分类轴：不用模态分类（文本模型、语音模型、多模态模型），而是按 decode 是不是 multi-stage 来分类。

这个分类轴直接决定了之后所有的设计选择。single-stage 的交给 SGLang main 已经处理好的架构，multi-stage 的才需要一套新的调度解耦、分层通信、多方显存预算制的方案。文章里有一段分析很精炼：好的工程分类往往是二分法，边界上只有一个维度在变。它不是跟着表面特征走，而是找到那个能揭示计算本质的维度。

鸭哥在群里分享的时候说了一句话：「透露了顶级 inference infra 团队的思维和决策过程。」这句话的价值在于，这种决策过程的透明度在系统领域很少见。大多数团队的公开产出是架构文档和 benchmark 数字，不太会把「为什么选了这个而不是那个」写清楚。这篇文章的作者自己承认不来自系统背景，所以他把自己每一步的判断都仔细解释了原因。对做工程的人来说，这篇东西的价值不在于里面有多少高级技术，而在于它展示了一个完整的分析过程：从计算特性出发，逐个分析每个 stage 的瓶颈类型，然后让系统级需求从局部分析里自己浮现出来。

家林在同一天聊到他正在复刻 Codex 客户端：「烧了至少 100 亿 token」「desktop 才是智能体的最佳客户端」「服务加插件再加 skill 市场」。这句话被同一天的 SGLang Omni 文章照射出了另一层意思。当 vLLM 和 SGLang 共用同一套 kernel，当各家模型在 SWE-Bench 上的差距被压缩到 harness 差异可以解释的范围以内，剩下的竞争力确实转移到了产品形态、工具链完整度和工程实现质量上。Linux Foundation 新成立的 AI Agent Interoperability Forum（AAIF）三个创始项目全是基础设施标准（LF AAIF）。

问题不再是哪个模型更强。问题是当模型层趋于同质化，谁的工程判断能更快地在正确的维度上把问题切开。

---

也值得知道

Anthropic IPO 估值逼近 1 万亿美元：CNBC 5 月 28 日报道，Anthropic 即将 IPO，估值在 9000 亿到 1 万亿美元区间，已超越 OpenAI。其同时完成 650 亿美元 H 轮融资（CNBC）。

EU AI Act 仅剩两个月生效：欧盟 AI 法案的一般适用条款将于 2026 年 8 月 2 日生效。招聘 AI 被列入高风险类别，义务从 2027 年 8 月起执行，罚款最高 3500 万欧元或全球营收 7%（Recruitly）。

Uber CTO 四个月烧完年度 AI 预算：Uber CTO 4 月公开承认 Claude Code 的年度预算四个月就用完，COO 5 月表示越来越难证明 AI 成本合理。微软已开始取消部分工程师的 Claude 许可证（Time）。

---

本期素材来自 AI Builder Space 社群讨论与公开 AI 行业信息的交叉验证。

本文由AI综合领域调研和微信群聊自动生成。请注意甄别幻觉。

订阅本 newsletter：daily.yage.ai