# 机器学习工程 岗位方向；职业资料版本 2026-10-21.careers.2；核查 2026-10-20 把模型与数据流程做成可评估、可部署、可监控的产品能力。 算法工程师是歧义称谓；推荐、视觉、语言等先作为专长，需按研究或生产职责再分。 本页按职责提供公开参照；地域、职级和准入以目标组织的现行要求另核。 名称/别名：机器学习工程师、算法工程师、AI工程师、推荐算法、搜索算法、计算机视觉、NLP、大模型应用、MLOps 来源状态：active ## 职业工作范围 按本职业主要交付组织工作范围；多个目标可以由同一结果包接收。职责来源用于核对工作定义，AI采用、工具可得性和实际表现按各项具体证据判断。这里不是所有地区与细分岗位的完整清单。 ### 数据与评测集交付 产物：可追踪数据版本、标签质量及隔离划分 内容覆盖：documented；以该应用的具体产物与独立接收条件呈现目标；竞赛数据准备证据不替目标标签与数据权利判断。 任务应用：/careers/ml-engineer#work-ml-engineer-deliverable-1 变体：标签与评测集 ### 模型适配与训练 产物：可重现训练或微调产物与基线比较 内容覆盖：documented；以该应用的具体产物与独立接收条件呈现目标；离线竞赛模型不保证该任务泛化或达到业务错误代价。 任务应用：/careers/ml-engineer#work-ml-engineer-deliverable-2 变体：微调与基础模型 ### 模型服务集成 产物：可部署推理服务及延迟、成本、失败处理 内容覆盖：documented；以该应用的具体产物与独立接收条件呈现目标；公开部署机制不是AI上线成绩，目标资源与模型效果未实测。 任务应用：/careers/ml-engineer#work-ml-engineer-deliverable-3 变体：模型推理与漂移 ### 模型上线判断 产物：离线切片、线上实验及适用边界报告 内容覆盖：documented；以该应用的具体产物与独立接收条件呈现目标；离线与线上指标机制不同，数据不满足设计时只交不可识别/补救。 任务应用：/careers/ml-engineer#work-ml-engineer-deliverable-4 变体：随机对照与聚类 ### 模型生命周期维护 产物：分布漂移监控、回滚和再训练触发证据 内容覆盖：documented；以该应用的具体产物与独立接收条件呈现目标；长期标签延迟与真实分布变化需持续观察，配置规则不等于监控有效。 任务应用：/careers/ml-engineer#work-ml-engineer-deliverable-5 变体：模型推理与漂移；上线试点与回滚；检测规则与值班噪声 ### 大模型应用交付 产物：检索或Agent应用、任务评测与工具权限边界 内容覆盖：documented；以该应用的具体产物与独立接收条件呈现目标；专用数据Agent仅是邻近案例，目标工具/对抗分布需新验收。 任务应用：/careers/ml-engineer#work-ml-engineer-deliverable-6 变体：检索与可引用回答；工具与外部状态 范围来源：https://www.onetonline.org/link/summary/15-2051.00；https://www.onetonline.org/link/summary/15-1252.00 当前范围以外： - 原创算法研究作为计算机研究方向 - 仅制作BI报表 待补： - 需按任务分布补模型效果与端到端服务证据 - 软件实现、训练收敛和业务收益须分别评估 ## 主要工作与 AI 当前变化 以下条件评估与局部证据分别标示，不表示整项职业已验证。 ### 数据与评测集交付 可追踪数据版本、标签质量及隔离划分。先委派标签/重复/时间机制诊断，冻结实体与时间隔离保留集后交可追踪数据版本。 交付物：可追踪数据版本、标签质量及隔离划分 判断依据：外部报告结果、工具与方法依据、有条件的编辑推断 当前变化：先委派标签/重复/时间机制诊断，冻结实体与时间隔离保留集后交可追踪数据版本。 - 机器学习实验包：数据、训练与可解释的保留集表现：/work-units/W-C06?version=2026-10-21.workunits.2 机器学习工程的“数据与评测集交付”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是可追踪数据版本、标签质量及隔离划分；标签抽核、重复与实体交叉、特征可用时点、清洗影响和独立保留集。（partial；workunits/work-unit/W-C06@2026-10-21.workunits.2） 应用范围：机器学习工程的“数据与评测集交付”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是可追踪数据版本、标签质量及隔离划分；标签抽核、重复与实体交叉、特征可用时点、清洗影响和独立保留集。 AI工作组织：Agent可按评分反馈自主选择模型、代码与实验，确定性训练器直接运行；保留集和预算与搜索过程分离。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：MLE-bench证明训练与实验可以被Agent组织成可评分交付；其预算、公开数据与榜单条件特定。独立保留集与数据机制限制迁移，不能用多次搜索最好一次作稳定表现。 当前可用性：mixed；训练框架和记录工具公开；竞赛/模型/计算资源有条件且本文未消耗新试验。 - MLE-bench：https://github.com/openai/mle-bench 2026-10-20公开仓库HEAD 507f92e1138bb6e40dac5c6ee7a6758e6424bf97；实际运行另固定依赖/镜像/模型；公开代码；Kaggle条款、GPU/数据存储与模型API另备 - MLflow Tracking：https://mlflow.org/docs/latest/ml/tracking/ Tracking文档；具体包版本在实际试验固定；开源记录工具；存储/访问控制另配置 ### MLE-bench的公开研究在Kaggle工程任务上实测了Agent的数据准备、模型训练与实验能力；它支持离线实验交付存在，不能直接代表生产收益。 依据身份：外部报告结果；状态：active - MLE-bench 原论文：https://arxiv.org/abs/2410.07095v1 定位：Abstract；75 competitions；resource scaling；关系：partial 支持：训练交付有直接研究而非只由编程成绩外推。 限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 核查：2026-10-20；来源状态：active 配置：原论文75个Kaggle竞赛，含o1-preview+AIDE等配置；模型/脚手架和预算按原实验区分；未在本站重放。 适用限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 相关进展（本条判断）： - MLE-bench公开训练与实验任务资产：/explore?purpose=understand&domain=computing&window=all#P-C-ML-TRAIN 首次公开 2024-10-09 ### MLflow能记录训练参数、代码版本、指标和输出文件，便于交付完整试验账本。 依据身份：工具与方法依据；状态：active - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Tracking Runs；Runs/Models；关系：method 支持：提供可追踪实验接口。 限制：记录不证明无泄漏或指标适合业务。 核查：2026-10-20；来源状态：active 适用限制：记录不证明无泄漏或指标适合业务。 ### 在独立保留集和预算受控时，可整包委派训练搜索；采用决策以保留集切片、资源和下游条件作阶段接收。 依据身份：有条件的编辑推断；状态：active - MLE-bench 官方实现与可比性公告：https://github.com/openai/mle-bench 定位：README：leaderboard update/agents；关系：partial 支持：可运行训练及评分资产是迁移基础。 限制：官方暂停新提交，任何目标任务成功率仍未知。 核查：2026-10-20；来源状态：active 适用限制：官方暂停新提交，任何目标任务成功率仍未知。 ## 情境变化 ### 标签与评测集 输入变化：标签噪声、样本不平衡或实体/时间依赖。 判断变化：先接收数据诊断与划分，再搜索模型。 验收变化：抽核标签、实体隔离、未来特征和重复；保留所有清洗影响。 研究前沿：公开训练任务已有实测与可运行资产；当前排行榜暂停新提交，跨方法可比性有限，尚不能证明本组织数据上的泛化。 下一项验证：取一个未泄漏的小型真实数据问题，锁定时间/实体保留集与预算，先跑简单参考，再让Agent交完整模型和失败账本；服务化另测。 未来改判信号： - 在新时间窗/实体保留集持续超过简单基线且资源可追踪，可考虑扩大相近输入范围。 - 标签/未来特征泄漏、切片退化或只保留最好一次结果，应收窄或暂停相应采用。 接收/拒收： - 评价不被开发污染：按时间/实体/组划分并审查特征可用时点，保留集由独立入口评分。 拒收：同一用户重复进入训练和测试，或使用未来标签。 - 结果可重现且代价明确：从固定环境重新训练/加载权重，核对种子、预处理、依赖、尝试次数与实际资源。 拒收：只交最好的截图，丢掉失败与调参预算。 - 泛化和结论相称：对关键业务群体、漂移与简单基线比较；研究结果含消融与可反证范围。 拒收：验证分上升就声称已改善生产效果或提出新理论。 失败处理：数据质量或划分不成立时先交诊断和修复方案；预算内未达标是结果，不生成虚构成绩。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 尚未覆盖：竞赛数据准备证据不替目标标签与数据权利判断。 验证方法：标签抽核、重复与实体交叉、特征可用时点、清洗影响和独立保留集。 ### 模型适配与训练 可重现训练或微调产物与基线比较。可整包委派训练/微调搜索，按冻结预算、简单基线与独立保留切片接收模型，保存所有尝试。 交付物：可重现训练或微调产物与基线比较 判断依据：外部报告结果、工具与方法依据、有条件的编辑推断 当前变化：可整包委派训练/微调搜索，按冻结预算、简单基线与独立保留切片接收模型，保存所有尝试。 - 机器学习实验包：数据、训练与可解释的保留集表现：/work-units/W-C06?version=2026-10-21.workunits.2 机器学习工程的“模型适配与训练”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是可重现训练或微调产物与基线比较；从干净环境重跑预处理/训练，核对版本、种子、选择次数、效果/误差与实际资源。（partial；workunits/work-unit/W-C06@2026-10-21.workunits.2） 应用范围：机器学习工程的“模型适配与训练”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是可重现训练或微调产物与基线比较；从干净环境重跑预处理/训练，核对版本、种子、选择次数、效果/误差与实际资源。 AI工作组织：Agent可按评分反馈自主选择模型、代码与实验，确定性训练器直接运行；保留集和预算与搜索过程分离。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：MLE-bench证明训练与实验可以被Agent组织成可评分交付；其预算、公开数据与榜单条件特定。独立保留集与数据机制限制迁移，不能用多次搜索最好一次作稳定表现。 当前可用性：mixed；训练框架和记录工具公开；竞赛/模型/计算资源有条件且本文未消耗新试验。 - MLE-bench：https://github.com/openai/mle-bench 2026-10-20公开仓库HEAD 507f92e1138bb6e40dac5c6ee7a6758e6424bf97；实际运行另固定依赖/镜像/模型；公开代码；Kaggle条款、GPU/数据存储与模型API另备 - MLflow Tracking：https://mlflow.org/docs/latest/ml/tracking/ Tracking文档；具体包版本在实际试验固定；开源记录工具；存储/访问控制另配置 ### MLE-bench的公开研究在Kaggle工程任务上实测了Agent的数据准备、模型训练与实验能力；它支持离线实验交付存在，不能直接代表生产收益。 依据身份：外部报告结果；状态：active - MLE-bench 原论文：https://arxiv.org/abs/2410.07095v1 定位：Abstract；75 competitions；resource scaling；关系：partial 支持：训练交付有直接研究而非只由编程成绩外推。 限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 核查：2026-10-20；来源状态：active 配置：原论文75个Kaggle竞赛，含o1-preview+AIDE等配置；模型/脚手架和预算按原实验区分；未在本站重放。 适用限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 相关进展（本条判断）： - MLE-bench公开训练与实验任务资产：/explore?purpose=understand&domain=computing&window=all#P-C-ML-TRAIN 首次公开 2024-10-09 ### MLflow能记录训练参数、代码版本、指标和输出文件，便于交付完整试验账本。 依据身份：工具与方法依据；状态：active - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Tracking Runs；Runs/Models；关系：method 支持：提供可追踪实验接口。 限制：记录不证明无泄漏或指标适合业务。 核查：2026-10-20；来源状态：active 适用限制：记录不证明无泄漏或指标适合业务。 ### 在独立保留集和预算受控时，可整包委派训练搜索；采用决策以保留集切片、资源和下游条件作阶段接收。 依据身份：有条件的编辑推断；状态：active - MLE-bench 官方实现与可比性公告：https://github.com/openai/mle-bench 定位：README：leaderboard update/agents；关系：partial 支持：可运行训练及评分资产是迁移基础。 限制：官方暂停新提交，任何目标任务成功率仍未知。 核查：2026-10-20；来源状态：active 适用限制：官方暂停新提交，任何目标任务成功率仍未知。 ## 情境变化 ### 微调与基础模型 输入变化：调用预训练权重、检索或第三方模型。 判断变化：增加许可、上下文与生成评测，不能沿用分类准确率。 验收变化：无检索泄漏，任务/安全控制独立，记录外部API版本。 研究前沿：公开训练任务已有实测与可运行资产；当前排行榜暂停新提交，跨方法可比性有限，尚不能证明本组织数据上的泛化。 下一项验证：取一个未泄漏的小型真实数据问题，锁定时间/实体保留集与预算，先跑简单参考，再让Agent交完整模型和失败账本；服务化另测。 未来改判信号： - 在新时间窗/实体保留集持续超过简单基线且资源可追踪，可考虑扩大相近输入范围。 - 标签/未来特征泄漏、切片退化或只保留最好一次结果，应收窄或暂停相应采用。 接收/拒收： - 评价不被开发污染：按时间/实体/组划分并审查特征可用时点，保留集由独立入口评分。 拒收：同一用户重复进入训练和测试，或使用未来标签。 - 结果可重现且代价明确：从固定环境重新训练/加载权重，核对种子、预处理、依赖、尝试次数与实际资源。 拒收：只交最好的截图，丢掉失败与调参预算。 - 泛化和结论相称：对关键业务群体、漂移与简单基线比较；研究结果含消融与可反证范围。 拒收：验证分上升就声称已改善生产效果或提出新理论。 失败处理：数据质量或划分不成立时先交诊断和修复方案；预算内未达标是结果，不生成虚构成绩。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 尚未覆盖：离线竞赛模型不保证该任务泛化或达到业务错误代价。 验证方法：从干净环境重跑预处理/训练，核对版本、种子、选择次数、效果/误差与实际资源。 ### 模型服务集成 可部署推理服务及延迟、成本、失败处理。Agent可把模型、特征和推理接口接成服务；离线线上一致性、负载、失败与回滚分别验收。 交付物：可部署推理服务及延迟、成本、失败处理 判断依据：工具与方法依据、有条件的编辑推断 当前变化：Agent可把模型、特征和推理接口接成服务；离线线上一致性、负载、失败与回滚分别验收。 - 模型推理服务交付：效果、资源与回滚：/work-units/W-C15?version=2026-10-21.workunits.2 机器学习工程的“模型服务集成”使用模型推理服务交付：效果、资源与回滚，输入/接收对象是可部署推理服务及延迟、成本、失败处理；对同保留输入查权重/特征版本、尾延迟/并发/成本、未知输入和回滚后的服务状态。（partial；workunits/work-unit/W-C15@2026-10-21.workunits.2） 应用范围：机器学习工程的“模型服务集成”使用模型推理服务交付：效果、资源与回滚，输入/接收对象是可部署推理服务及延迟、成本、失败处理；对同保留输入查权重/特征版本、尾延迟/并发/成本、未知输入和回滚后的服务状态。 AI工作组织：Agent联合实现预处理、推理接口和部署验证；稳定推理由程序执行，效果/环境反馈驱动修正。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：模型工程需要把实验和运行状态接起来。公开KServe提供版本流量/观察机制，MLflow记录模型谱系；这些工具不提供AI部署成绩，采用建议是结合可验证状态作出的编辑判断。 当前可用性：mixed；MLflow/KServe机制公开；目标模型权利、硬件、依赖与部署版本另固定，未在本站运行。 - KServe：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 0.20发布；具体CRD/Runtime镜像在执行固定；开源；K8s/推理资源、模型权利与云权限另备 - MLflow：https://mlflow.org/docs/latest/ml/tracking/ 按实际服务固定MLflow/模型/存储版本；开源记录工具；API和存储权限另配 ### MLflow可记录模型/试验谱系，KServe0.20发布提供流量切分与canary机制；服务行为可以按版本单独核验。 依据身份：工具与方法依据；状态：active - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：0.20 release：traffic splitting/canary；关系：method 支持：提供公开部署机制。 限制：机制存在不是模型效果或AI上线可靠率。 核查：2026-10-20；来源状态：active 适用限制：机制存在不是模型效果或AI上线可靠率。 ### 实验参数/代码/指标/产物应能连到服务版本，否则离线成绩无法解释线上差异。 依据身份：工具与方法依据；状态：active - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Tracking Runs；Models；关系：method 支持：提供谱系/版本记录接口。 限制：记录正确性和线上效果仍由任务验证。 核查：2026-10-20；来源状态：active 适用限制：记录正确性和线上效果仍由任务验证。 ### 可委派模型推理工程包，以独立效果、资源/故障和版本回滚接收；不继承训练成绩或服务存活作为业务收益。 依据身份：有条件的编辑推断；状态：active - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：canary与versioned traffic；关系：partial 支持：分版本接收有工具基础。 限制：未在目标环境运行，本任务不提供成功率或业务收益。 核查：2026-10-20；来源状态：active 适用限制：未在目标环境运行，本任务不提供成功率或业务收益。 ## 情境变化 ### 模型推理与漂移 输入变化：训练模型作为批/在线服务。 判断变化：先核对特征/权重一致性，再接收负载和漂移响应。 验收变化：保留切片、未知类别、输入schema、延迟/成本和再训练/回退。 研究前沿：MLflow追踪谱系与KServe版本化部署机制公开；方法存在不等于本模型/硬件的AI交付可靠率，也不能以存活推断业务收益。 下一项验证：固定一个模型API和旧版本，核对保留输入/特征，再测异常/并发/资源并回滚，检查旧服务真实输出。 未来改判信号： - 新模型/数据版本的线上线下效果、资源和回滚持续一致，可考虑扩大相近输入范围。 - 特征错位、漂移未响应或服务存活掩盖效果退化，应收窄或暂停相应采用。 接收/拒收： - 版本与效果一致：同保留输入核对权重/特征/Tokenizer/输出，检查缺失、新类别和关键切片。 拒收：服务载入旧权重却继承新训练成绩。 - 负载与失败可接收：固定并发/规模，测尾延迟/吞吐/资源，施加资源不足、依赖超时和异常输入。 拒收：只看HTTP200或最快一次，隐藏资源耗尽。 - 版本可恢复：按版本对比效果/资源，演练减流/回滚及旧模型-特征一致性，核验漂移响应。 拒收：canary存在但回滚后模型/特征不匹配。 失败处理：缺目标硬件/保留数据时交具体阻塞；效果或资源不达标保留失败，不改阈值隐藏。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 尚未覆盖：公开部署机制不是AI上线成绩，目标资源与模型效果未实测。 验证方法：对同保留输入查权重/特征版本、尾延迟/并发/成本、未知输入和回滚后的服务状态。 ### 模型上线判断 离线切片、线上实验及适用边界报告。先做离线切片与错误代价门槛，再依据真实分配/暴露记录估计线上效果；模型分高不直接等于上线收益。 交付物：离线切片、线上实验及适用边界报告 判断依据：外部报告结果、有条件的编辑推断、工具与方法依据 当前变化：先做离线切片与错误代价门槛，再依据真实分配/暴露记录估计线上效果；模型分高不直接等于上线收益。 - 机器学习实验包：数据、训练与可解释的保留集表现：/work-units/W-C06?version=2026-10-21.workunits.2 机器学习工程的“模型上线判断”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是离线切片、线上实验及适用边界报告；无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。（partial；workunits/work-unit/W-C06@2026-10-21.workunits.2） - 实验分析：估计效果，或说明为什么还不能判断：/work-units/W-A03?version=2026-10-21.workunits.2 机器学习工程的“模型上线判断”使用实验分析：估计效果，或说明为什么还不能判断，输入/接收对象是离线切片、线上实验及适用边界报告；无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。（partial；workunits/work-unit/W-A03@2026-10-21.workunits.2） 应用范围：机器学习工程的“模型上线判断”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是离线切片、线上实验及适用边界报告；无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。 AI工作组织：Agent可按评分反馈自主选择模型、代码与实验，确定性训练器直接运行；保留集和预算与搜索过程分离。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：MLE-bench证明训练与实验可以被Agent组织成可评分交付；其预算、公开数据与榜单条件特定。独立保留集与数据机制限制迁移，不能用多次搜索最好一次作稳定表现。 当前可用性：mixed；训练框架和记录工具公开；竞赛/模型/计算资源有条件且本文未消耗新试验。 - MLE-bench：https://github.com/openai/mle-bench 2026-10-20公开仓库HEAD 507f92e1138bb6e40dac5c6ee7a6758e6424bf97；实际运行另固定依赖/镜像/模型；公开代码；Kaggle条款、GPU/数据存储与模型API另备 - MLflow Tracking：https://mlflow.org/docs/latest/ml/tracking/ Tracking文档；具体包版本在实际试验固定；开源记录工具；存储/访问控制另配置 ### MLE-bench的公开研究在Kaggle工程任务上实测了Agent的数据准备、模型训练与实验能力；它支持离线实验交付存在，不能直接代表生产收益。 依据身份：外部报告结果；状态：active - MLE-bench 原论文：https://arxiv.org/abs/2410.07095v1 定位：Abstract；75 competitions；resource scaling；关系：partial 支持：训练交付有直接研究而非只由编程成绩外推。 限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 核查：2026-10-20；来源状态：active 配置：原论文75个Kaggle竞赛，含o1-preview+AIDE等配置；模型/脚手架和预算按原实验区分；未在本站重放。 适用限制：历史竞赛样本；本页不采用或迁移其奖牌比例。 相关进展（本条判断）： - MLE-bench公开训练与实验任务资产：/explore?purpose=understand&domain=computing&window=all#P-C-ML-TRAIN 首次公开 2024-10-09 ### 在独立保留集和预算受控时，可整包委派训练搜索；采用决策以保留集切片、资源和下游条件作阶段接收。 依据身份：有条件的编辑推断；状态：active - MLE-bench 官方实现与可比性公告：https://github.com/openai/mle-bench 定位：README：leaderboard update/agents；关系：partial 支持：可运行训练及评分资产是迁移基础。 限制：官方暂停新提交，任何目标任务成功率仍未知。 核查：2026-10-20；来源状态：active 适用限制：官方暂停新提交，任何目标任务成功率仍未知。 ## 情境变化 研究前沿：公开训练任务已有实测与可运行资产；当前排行榜暂停新提交，跨方法可比性有限，尚不能证明本组织数据上的泛化。 下一项验证：取一个未泄漏的小型真实数据问题，锁定时间/实体保留集与预算，先跑简单参考，再让Agent交完整模型和失败账本；服务化另测。 未来改判信号： - 在新时间窗/实体保留集持续超过简单基线且资源可追踪，可考虑扩大相近输入范围。 - 标签/未来特征泄漏、切片退化或只保留最好一次结果，应收窄或暂停相应采用。 接收/拒收： - 评价不被开发污染：按时间/实体/组划分并审查特征可用时点，保留集由独立入口评分。 拒收：同一用户重复进入训练和测试，或使用未来标签。 - 结果可重现且代价明确：从固定环境重新训练/加载权重，核对种子、预处理、依赖、尝试次数与实际资源。 拒收：只交最好的截图，丢掉失败与调参预算。 - 泛化和结论相称：对关键业务群体、漂移与简单基线比较；研究结果含消融与可反证范围。 拒收：验证分上升就声称已改善生产效果或提出新理论。 失败处理：数据质量或划分不成立时先交诊断和修复方案；预算内未达标是结果，不生成虚构成绩。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 应用范围：机器学习工程的“模型上线判断”使用实验分析：估计效果，或说明为什么还不能判断，输入/接收对象是离线切片、线上实验及适用边界报告；无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。 AI工作组织：AI可把设计诊断、计算和敏感性检验合为循环；问题不可识别时返回需要的设计或数据，不硬给答案。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：程序可整包计算并核对随机分配、区间与切片，但估计对象、暴露机制和停止规则约束因果解释；异常时交付不可识别诊断有实际价值。 当前可用性：mixed；计算可用SQL/Python直接执行，Agent为可选组织方式；内部数据Agent不是可下载同配置服务。 - SQL/Python分析环境：https://www.python.org/ 执行时固定Python、统计包和数据快照；本站未新运行；公开运行时；业务数据/口径与查询权限由任务方提供 ### 样本比例异常是实验数据有效性警报，须诊断分配/暴露/流失链路后再解释效果；比例正常也不能证明其他假设成立。 依据身份：工具与方法依据；状态：active - 样本比例异常：实验看似有效也可能有数据问题：https://www.microsoft.com/en-us/research/publication/diagnosing-sample-ratio-mismatch-in-online-controlled-experiments-a-taxonomy-and-rules-of-thumb-for-practitioners/ 定位：Sample Ratio Mismatch诊断；关系：method 支持：支持以设计与异常控制保护实验解释。 限制：这是统计方法研究，不是AI模型成绩。 核查：2026-10-19；来源状态：active 适用限制：这是统计方法研究，不是AI模型成绩。 ### 可让Agent把设计核对、程序估计、稳健性与解释合为交付；若只有观察数据则先给识别假设和不可识别范围。 依据身份：有条件的编辑推断；状态：active - OpenAI内部分析Agent：从业务问题到查询与报告：https://openai.com/index/inside-our-in-house-data-agent/ 定位：查询与上下文核对；关系：adjacent 支持：邻近分析工作法支持自动组织计算。 限制：Agent不能从缺失记录补出真实随机化；本站无该任务运行。 核查：2026-10-19；来源状态：active 适用限制：Agent不能从缺失记录补出真实随机化；本站无该任务运行。 ## 情境变化 ### 随机对照与聚类 输入变化：用户、地区或门店随机且结果有重复观测。 判断变化：可分阶段接收，分析单位和相关结构先冻结。 验收变化：按随机化单位重算区间、SRM、流失与多重比较；不能把事件当独立用户。 研究前沿：来源支持实验有效性检查与Agent查询方法；未提供自动识别任意因果关系的直接成绩。 下一项验证：冻结随机化/排除/分析计划，用保留的真值模拟数据和异常分配控制校准后，再在真实完整日志上估计效应与区间。 未来改判信号： - 新实验下设计诊断、估计和区间经独立复算保持一致，可考虑扩大相近输入范围。 - 分配/暴露链缺失、事后挑选指标或停止点导致识别失败，应收窄或暂停相应采用。 接收/拒收： - 样本进入机制可信：核对分配比例、流失、重复单位、污染及排除规则 拒收：分组比例明显异常却直接报告显著提升。 - 估计与设计和问题一致：确认分析单位、意向处理/暴露口径、相关性与预先约定的检验 拒收：按会话随机化却按独立用户事件计算过窄区间。 - 结论与不确定性相称：报告效应与区间、实践门槛和探索性分析；说明未满足假设 拒收：挑一个显著分组或停止时点，宣称所有用户有效。 失败处理：分配异常或严重流失时定位链路、标记受影响结果并提出补数/重跑；观察数据只输出相应条件下的解释。 本站记录：本站未测本单元的AI分析准确性；旧实验场景可作资料入口。 尚未覆盖：离线与线上指标机制不同，数据不满足设计时只交不可识别/补救。 验证方法：无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。 ### 模型生命周期维护 分布漂移监控、回滚和再训练触发证据。可委派漂移/效果/资源监测和版本回滚演练，冻结何种信号触发再训练或减流量。 交付物：分布漂移监控、回滚和再训练触发证据 判断依据：工具与方法依据、有条件的编辑推断 当前变化：可委派漂移/效果/资源监测和版本回滚演练，冻结何种信号触发再训练或减流量。 - 模型推理服务交付：效果、资源与回滚：/work-units/W-C15?version=2026-10-21.workunits.2 机器学习工程的“模型生命周期维护”使用模型推理服务交付：效果、资源与回滚，输入/接收对象是分布漂移监控、回滚和再训练触发证据；新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。（partial；workunits/work-unit/W-C15@2026-10-21.workunits.2） - 运行信号交付：SLI/SLO、检测与可行动告警：/work-units/W-C20?version=2026-10-21.workunits.2 机器学习工程的“模型生命周期维护”使用运行信号交付：SLI/SLO、检测与可行动告警，输入/接收对象是分布漂移监控、回滚和再训练触发证据；新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。（partial；workunits/work-unit/W-C20@2026-10-21.workunits.2） 应用范围：机器学习工程的“模型生命周期维护”使用模型推理服务交付：效果、资源与回滚，输入/接收对象是分布漂移监控、回滚和再训练触发证据；新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。 AI工作组织：Agent联合实现预处理、推理接口和部署验证；稳定推理由程序执行，效果/环境反馈驱动修正。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：模型工程需要把实验和运行状态接起来。公开KServe提供版本流量/观察机制，MLflow记录模型谱系；这些工具不提供AI部署成绩，采用建议是结合可验证状态作出的编辑判断。 当前可用性：mixed；MLflow/KServe机制公开；目标模型权利、硬件、依赖与部署版本另固定，未在本站运行。 - KServe：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 0.20发布；具体CRD/Runtime镜像在执行固定；开源；K8s/推理资源、模型权利与云权限另备 - MLflow：https://mlflow.org/docs/latest/ml/tracking/ 按实际服务固定MLflow/模型/存储版本；开源记录工具；API和存储权限另配 ### MLflow可记录模型/试验谱系，KServe0.20发布提供流量切分与canary机制；服务行为可以按版本单独核验。 依据身份：工具与方法依据；状态：active - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：0.20 release：traffic splitting/canary；关系：method 支持：提供公开部署机制。 限制：机制存在不是模型效果或AI上线可靠率。 核查：2026-10-20；来源状态：active 适用限制：机制存在不是模型效果或AI上线可靠率。 ### 实验参数/代码/指标/产物应能连到服务版本，否则离线成绩无法解释线上差异。 依据身份：工具与方法依据；状态：active - MLflow Tracking 官方说明：https://mlflow.org/docs/latest/ml/tracking/ 定位：Tracking Runs；Models；关系：method 支持：提供谱系/版本记录接口。 限制：记录正确性和线上效果仍由任务验证。 核查：2026-10-20；来源状态：active 适用限制：记录正确性和线上效果仍由任务验证。 ### 可委派模型推理工程包，以独立效果、资源/故障和版本回滚接收；不继承训练成绩或服务存活作为业务收益。 依据身份：有条件的编辑推断；状态：active - KServe0.20发布说明：https://github.com/kserve/website/blob/main/blog/2026-08-06-KServe-0.20-release.md 定位：canary与versioned traffic；关系：partial 支持：分版本接收有工具基础。 限制：未在目标环境运行，本任务不提供成功率或业务收益。 核查：2026-10-20；来源状态：active 适用限制：未在目标环境运行，本任务不提供成功率或业务收益。 ## 情境变化 ### 模型推理与漂移 输入变化：训练模型作为批/在线服务。 判断变化：先核对特征/权重一致性，再接收负载和漂移响应。 验收变化：保留切片、未知类别、输入schema、延迟/成本和再训练/回退。 ### 上线试点与回滚 输入变化：需流量切分、效果比较及失败恢复。 判断变化：部署演练可整包交付，生产流量/业务判断另有授权与实验。 验收变化：版本化效果/资源、旧服务回滚与状态完整；收益转W-A03验证。 研究前沿：MLflow追踪谱系与KServe版本化部署机制公开；方法存在不等于本模型/硬件的AI交付可靠率，也不能以存活推断业务收益。 下一项验证：固定一个模型API和旧版本，核对保留输入/特征，再测异常/并发/资源并回滚，检查旧服务真实输出。 未来改判信号： - 新模型/数据版本的线上线下效果、资源和回滚持续一致，可考虑扩大相近输入范围。 - 特征错位、漂移未响应或服务存活掩盖效果退化，应收窄或暂停相应采用。 接收/拒收： - 版本与效果一致：同保留输入核对权重/特征/Tokenizer/输出，检查缺失、新类别和关键切片。 拒收：服务载入旧权重却继承新训练成绩。 - 负载与失败可接收：固定并发/规模，测尾延迟/吞吐/资源，施加资源不足、依赖超时和异常输入。 拒收：只看HTTP200或最快一次，隐藏资源耗尽。 - 版本可恢复：按版本对比效果/资源，演练减流/回滚及旧模型-特征一致性，核验漂移响应。 拒收：canary存在但回滚后模型/特征不匹配。 失败处理：缺目标硬件/保留数据时交具体阻塞；效果或资源不达标保留失败，不改阈值隐藏。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 应用范围：机器学习工程的“模型生命周期维护”使用运行信号交付：SLI/SLO、检测与可行动告警，输入/接收对象是分布漂移监控、回滚和再训练触发证据；新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。 AI工作组织：Agent读服务定义和历史，生成/调整采集和告警，程序重放控制；负责人决定SLO和升级取舍。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公开故障/负载试验床能校准信号，但无法替组织确定风险容忍。把指标和告警本身当产物，可避免Agent靠“监控正常”自证。 当前可用性：mixed；框架公开；目标云权限、遥测与可回退环境由实际任务提供，不要求先接生产。 - AIOpsLab：https://github.com/microsoft/AIOpsLab 2026-10-20公开仓库HEAD ccf08d0d1d5fa5b30f120e2e8549662d44411b35；实际运行另固定依赖/镜像/模型；开源；独立集群/命名空间、遥测与模型API自备 ### AIOpsLab的故障、负载和评估接口可用于校准运行信号与检测，规则正确性应以独立故障/正常控制检查。 依据身份：工具与方法依据；状态：active - AIOpsLab 官方框架：https://github.com/microsoft/AIOpsLab 定位：Detection tasks/Workload/Evaluator；关系：method 支持：提供可构造症状与结果的环境。 限制：方法不证明目标SLO恰当或长期告警可靠。 核查：2026-10-20；来源状态：active 适用限制：方法不证明目标SLO恰当或长期告警可靠。 ## 情境变化 ### 检测规则与值班噪声 输入变化：已有遥测但告警漏报或过多。 判断变化：按可行动症状重做规则校准。 验收变化：故障/正常/抖动/采集缺失与升级路径。 研究前沿：AIOpsLab提供检测任务、故障/负载和评估接口，可用正常与故障重放验证告警；公开接口没有替本团队选择用户SLI/SLO，也未给本规则长期漏报/误报成绩。 下一项验证：选一个关键用户路径和历史故障，冻结口径，用正常/故障/遥测缺失控制验证规则，再在观察窗记录行动与噪声。 未来改判信号： - 真实新故障被及时检测而正常波动与缺测被正确区分，可考虑扩大相近输入范围。 - 用户失败未进分母、告警噪声升高或采集缺失被写成健康，应收窄或暂停相应采用。 接收/拒收： - 信号代表用户目标：把分母、窗口和路径与真实请求对照，检查依赖/采样遗漏。 拒收：只测机器存活，用户付款失败却SLI健康。 - 规则可检测可拒绝：重放已知故障与正常波动，记录误报/漏报、检测延迟和采集失败。 拒收：只加一条能报警的规则，没有正常负样本。 - 告警可行动：另一接收者按规则和指引定位受影响路径，核对升级/静默/恢复及版本。 拒收：告警没有对象、含义或动作，导致反复无效值班。 失败处理：目标不明确先给可选口径及影响；采集缺失应暴露为缺测，不能写成零错误。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 尚未覆盖：长期标签延迟与真实分布变化需持续观察，配置规则不等于监控有效。 验证方法：新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。 ### 大模型应用交付 检索或Agent应用、任务评测与工具权限边界。可整包实现检索/工具Agent，按真实任务结果、引用支持和外部状态接收；确定性部分无需强加循环。 交付物：检索或Agent应用、任务评测与工具权限边界 判断依据：外部报告结果、工具与方法依据、有条件的编辑推断 当前变化：可整包实现检索/工具Agent，按真实任务结果、引用支持和外部状态接收；确定性部分无需强加循环。 - 检索与工具Agent应用交付：任务结果和外部状态：/work-units/W-C26?version=2026-10-21.workunits.2 机器学习工程的“大模型应用交付”使用检索与工具Agent应用交付：任务结果和外部状态，输入/接收对象是检索或Agent应用、任务评测与工具权限边界；保留任务、无答案、恶意检索/越权与超时重试，核对真正写入和实际预算。（partial；workunits/work-unit/W-C26@2026-10-21.workunits.2） 应用范围：机器学习工程的“大模型应用交付”使用检索与工具Agent应用交付：任务结果和外部状态，输入/接收对象是检索或Agent应用、任务评测与工具权限边界；保留任务、无答案、恶意检索/越权与超时重试，核对真正写入和实际预算。 AI工作组织：Agent可以检索、选工具与修订结果；稳定部分用普通程序，独立结果检查与权限门禁持续作用。 ## 任务级判断与证据 采用方式：分阶段接收 从证据到建议：公开专用数据Agent案例表明检索/查询/结果反馈可以形成任务闭环，公开浏览器工具提供操作接口；迁移到新工具/权限必须用目标任务和副作用控制核验。 当前可用性：mixed；数据Agent为专用内部系统；公开浏览器接口可用，目标模型/检索/工具环境需配置并固定版本。 - Playwright MCP：https://github.com/microsoft/playwright-mcp 2026-10-20公开仓库HEAD ab6d67cbf8b619338f096980806fdbe29432cc4d；实际运行另固定依赖/镜像/模型；开源接口；应用身份/模型与目标工具权限另备 ### 公开内部数据Agent案例描述了查询/上下文与结果修正闭环，是专用数据系统的自报能力展示，可作邻近任务组织依据。 依据身份：外部报告结果；状态：active - OpenAI内部分析Agent：从业务问题到查询与报告：https://openai.com/index/inside-our-in-house-data-agent/ 定位：How it works；Context is everything；关系：partial 支持：已有专用Agent任务闭环案例。 限制：不是可下载同配置应用，也不评估本站工具写入/对抗条件。 核查：2026-10-19；来源状态：active 配置：2026-01-29案例，GPT-5.2与专用数据/语义/权限；golden SQL/结果比较；未公开本任务分母/成本。 适用限制：不是可下载同配置应用，也不评估本站工具写入/对抗条件。 ### Playwright MCP等公开接口可供Agent操作和观察，但工具存在不能代替任务完成/权限验证。 依据身份：工具与方法依据；状态：active - Playwright MCP 官方实现：https://github.com/microsoft/playwright-mcp 定位：README tools/browser configuration；关系：method 支持：提供实际工具接口。 限制：不保证本应用效果或阻挡所有注入。 核查：2026-10-20；来源状态：active 适用限制：不保证本应用效果或阻挡所有注入。 ### 可委派检索/工具应用的实现与评测，但接收需同时核对结果、来源与真实外部状态；任务预算与失败边界明确。 依据身份：有条件的编辑推断；状态：active - OpenAI内部分析Agent：从业务问题到查询与报告：https://openai.com/index/inside-our-in-house-data-agent/ 定位：Lessons/contexts/results；关系：partial 支持：专用任务闭环提供邻近迁移依据。 限制：外部状态、权限与真实任务效果必须另验。 核查：2026-10-19；来源状态：active 适用限制：外部状态、权限与真实任务效果必须另验。 ## 情境变化 ### 检索与可引用回答 输入变化：结果为依据资料的回答/分析，不改变外部状态。 判断变化：可整包交付，先校准来源支持、缺失/过期资料与无答案。 验收变化：逐项引用支持、版本/新鲜度、无答案和恶意资料。 ### 工具与外部状态 输入变化：需要创建/修改工单、文件或执行获准操作。 判断变化：按任务效果和副作用分阶段接收，权限不能由资料授予。 验收变化：工具参数、真实最终状态、注入/越权、幂等与失败恢复。 研究前沿：公开内部数据Agent案例描述专用语义/查询/结果反馈闭环；Playwright MCP公开工具接口便于操作网页。前者是厂商专用案例、后者是方法，均不证明本应用写工具、对抗注入和任务族稳定性。 下一项验证：从真实流程取一组脱敏保留任务及无答案/注入/越权/重试控制；让Agent交可运行应用，独立读出工具最终状态并记录实际费用。 未来改判信号： - 新保留任务下结果/来源和外部状态持续正确，预算与边界受控，可考虑扩大相近输入范围。 - 注入导致越权、引用不支持结论或重试造成重复副作用，应收窄或暂停相应采用。 接收/拒收： - 结果和来源对应目标：独立检查引用是否支持每项结论，查询/文件/动作是否改变正确状态；无答案可拒绝。 拒收：引用存在但不支持答案，或只调用工具就算完成。 - 边界与副作用受控：用注入/越权/恶意检索和重试测试，确认未执行禁止动作、未重复写入。 拒收：从网页指令拿凭据或重复扣款。 - 失败和成本可接收：截断依赖、改变schema/上下文，记录预算/步骤、失败解释与恢复；不能无止境循环。 拒收：超预算重试隐藏失败，最终产物也无法核对。 失败处理：依赖或语义不足输出可定位阻塞与已完成状态；不能编造引用/工具结果，失败恢复须避免重复副作用。 本站记录：本次只核查公开材料和任务契约；未在本站运行该任务、工具或模型。 尚未覆盖：专用数据Agent仅是邻近案例，目标工具/对抗分布需新验收。 验证方法：保留任务、无答案、恶意检索/越权与超时重试，核对真正写入和实际预算。 ## 与工作关联的进展 ### MLE-bench公开训练与实验任务资产 公开 2024-10-09 离线Kaggle工程任务有直接模型实验与公开运行资产。 支持范围：离线竞赛与预算特定；模型训练得分不继承为服务/收益。 来源状态：active /explore?purpose=understand&domain=computing&window=all#P-C-ML-TRAIN ## 未来3–5年条件情景 未来 3–5 年（2029–2031） 未来 3–5 年是编辑条件情景，不是就业数量预测。每项均列基准、加速、受限路径和需观察的信号；职业职责来源不等于 AI 能力证据。 基准：2029–2031，数据准备、训练和实验搜索可在预算内更连续衔接；工程师更多负责目标、数据漂移、资源和上线效果，持续接收替代分散脚本交接。 加速：若新数据分布/模型版本下训练、服务效果和回滚持续一致且预算透明，可管理更大模型产品组合。 受限：若合成评估不能预测线上表现，自动化仍受高质量标签和实验基础设施制约。 改判信号： - 离线提升与线上收益的一致性 - 训练和推理全链条的可重放与故障恢复能力 ## 进入与成长的公开能力证据 本页主要提供工作与作品证据；基础课程、责任级别和中国准入尚未完成专题整理。 完整交付作品证据： - 可追踪数据版本、标签质量及隔离划分；附标签抽核、重复与实体交叉、特征可用时点、清洗影响和独立保留集。 - 可重现训练或微调产物与基线比较；附从干净环境重跑预处理/训练，核对版本、种子、选择次数、效果/误差与实际资源。 具体地区、职级和组织要求按目标岗位核对；美国资料不自动作为中国资格要求。 ## 相邻方向及区别 - 计算机与算法研究：/careers/computing-researcher.md?version=2026-10-21.careers.2 研究岗位以新方法和可复现发现为主要产物；工程岗位以稳定模型服务为主要产物。 - 数据科学：/careers/data-scientist.md?version=2026-10-21.careers.2 数据科学常以分析或决策解释交付；机器学习工程强调持续运行的模型能力。 ## 职业名称与分类映射 - O*NET-SOC 15-2051.00 Data Scientists；O*NET-SOC 2019；OnLine Updated 2026；US；related 共享部分方法或工作对象，不能据此认定岗位与该编码完全相同。；定位 Definition / Tasks - O*NET-SOC 15-1252.00 Software Developers；O*NET-SOC 2019；OnLine Updated 2026；US；related 共享部分方法或工作对象，不能据此认定岗位与该编码完全相同。；定位 Definition / Tasks ## 工作资料与来源 - 机器学习实验包：数据、训练与可解释的保留集表现：/work-units/W-C06?version=2026-10-21.workunits.2 机器学习工程的“模型上线判断”使用机器学习实验包：数据、训练与可解释的保留集表现，输入/接收对象是离线切片、线上实验及适用边界报告；无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。（partial；workunits/work-unit/W-C06@2026-10-21.workunits.2） - 模型推理服务交付：效果、资源与回滚：/work-units/W-C15?version=2026-10-21.workunits.2 机器学习工程的“模型生命周期维护”使用模型推理服务交付：效果、资源与回滚，输入/接收对象是分布漂移监控、回滚和再训练触发证据；新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。（partial；workunits/work-unit/W-C15@2026-10-21.workunits.2） - 实验分析：估计效果，或说明为什么还不能判断：/work-units/W-A03?version=2026-10-21.workunits.2 机器学习工程的“模型上线判断”使用实验分析：估计效果，或说明为什么还不能判断，输入/接收对象是离线切片、线上实验及适用边界报告；无泄漏保留集、误差切片与基线；线上实验检查分配/流失/聚类和区间/实践门槛。（partial；workunits/work-unit/W-A03@2026-10-21.workunits.2） - 运行信号交付：SLI/SLO、检测与可行动告警：/work-units/W-C20?version=2026-10-21.workunits.2 机器学习工程的“模型生命周期维护”使用运行信号交付：SLI/SLO、检测与可行动告警，输入/接收对象是分布漂移监控、回滚和再训练触发证据；新数据/schema、缺测、阈值/误报控制以及模型版本切换前后效果与资源核对。（partial；workunits/work-unit/W-C20@2026-10-21.workunits.2） - 检索与工具Agent应用交付：任务结果和外部状态：/work-units/W-C26?version=2026-10-21.workunits.2 机器学习工程的“大模型应用交付”使用检索与工具Agent应用交付：任务结果和外部状态，输入/接收对象是检索或Agent应用、任务评测与工具权限边界；保留任务、无答案、恶意检索/越权与超时重试，核对真正写入和实际预算。（partial；workunits/work-unit/W-C26@2026-10-21.workunits.2） - Data Scientists：https://www.onetonline.org/link/summary/15-2051.00 O*NET / 美国劳工部职业信息网络；US；O*NET OnLine / Updated 2026 / 2026-10-20访问快照；核查 2026-10-20；状态 active 定位：职业定义、Tasks、Work Activities；不采用薪酬和学历比例 范围：美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射 限制：不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。 - Software Developers：https://www.onetonline.org/link/summary/15-1252.00 O*NET / 美国劳工部职业信息网络；US；O*NET OnLine / Updated 2026 / 2026-10-20访问快照；核查 2026-10-20；状态 active 定位：职业定义、Tasks、Work Activities；不采用薪酬和学历比例 范围：美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射 限制：不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。 ## 用于自己的问题 个人适配、具体岗位判断与计划由用户自己的 Agent 结合已有材料处理。复用已知上下文，仅追问影响结论的缺口；目录不是全部选项。阅读或比较公开工作本身无需档案、固定二选一、保存记录或行动计划。