阿里P8闪离背后：小公司AI人才的真实需求与招聘困境
熟悉我的朋友可能知道，我去年在AI to B领域的创业未能成功。今年，我将精力主要放在了三个业务方向上：AI英语学习工具“空气小猪”、AI实战训练营以及AI领域的猎头服务。
之所以能开展AI猎头服务，原因其实很直接：
- 首先，我积累了大量相关领域的人才资源。
- 其次，去年从事2B业务时，我服务了许多不同规模的公司，了解他们的需求。
- 最后，今年运作的训练营也培养并输送了不少AI人才。
因此，无论是人才的供给端，还是企业的需求端，我都有比较深入的了解。从实际数据来看，我成功推荐了近20位人才，其中年薪最高的接近百万元，较低的也有30万元左右。
单从数据上看，似乎猎头业务的整体收益相当可观，应该加大投入力度。然而，真实的业务开展却远比想象中复杂，可以说是机遇与挑战并存。
曾有一家客户需要招募中高端AI人才。我这边恰好有一位来自阿里巴巴、职级为P8的学员，无论是能力还是背景都非常匹配，于是便将他推荐了过去。
然而，这位人才入职不到两个月就选择了离职，并且无论是用人单位还是他本人，都给出了非常负面的反馈。
最近一段时间的市场情况则更加令人困惑。不止一家公司向我咨询，希望招募AI工程师或产品经理，其中甚至有两家公司正在大规模裁员！
我们根据他们的要求筛选并推荐了几位候选人，得到的反馈却都是“不合适”。这让我感到十分不解。因此，我们不禁要问：在当前环境下，企业自以为需要什么样的AI人才？他们实际上又需要什么样的人才？为什么许多看似合适的人才最终却无法稳定留下？
企业以为的AI人才需求与实际差距
首先，我们来看看各家公司认为自己需要什么样的人才。以下是两个真实的职位描述（JD）：
| 类型 / 角色 | 核心能力要求 |
|---|---|
| AI 算法工程师模型与智能体系统的技术核心 | ① 熟练运用主流大模型（如OpenAI、Claude、Gemini及国内头部模型），掌握微调、LoRA/QLoRA、提示词优化等技术；② 具备RAG系统实战经验，能完成向量数据库选型、索引与召回策略设计，并进行基础的效果评估与优化；③ 理解并能落地智能体架构（如多工具调用、多轮推理、记忆机制等），具备在工程环境中完成部署与性能调优的能力。 |
| AI 应用工程师模型、工具链与业务落地的集成者 | ① 熟悉Function Calling、工具调用、工作流及智能体框架，能够将大模型与内部系统、第三方API串联成完整流程；② 具备一定的后端工程能力（如Python、Node.js等），能够编写中间层服务、编排业务流程、搭建监控与日志体系；③ 能够深入理解业务需求，将其拆解为可执行的AI工作流，并对应用效果进行灰度测试、回归验证及数据驱动的持续优化。 |
| AI 产品经理利用AI改造业务流程的设计者 | ① 深刻理解所在行业的核心流程，能精准识别哪些环节适合用AI进行改造，并能将其拆解为清晰的用户旅程与用例；② 理解大模型与智能体的能力边界，对“能做什么、不能做什么”有基本判断，避免提出不切实际的方案；③ 能够与算法、工程、运营等多方角色高效协作，推动项目从Demo、概念验证到正式上线的全过程，并设计一套可量化的效果评估指标。 |
如果仅从表格中的描述来看，企业的需求似乎非常清晰。当前，市场对AI应用工程师的需求尤为迫切，并且在许多公司里，AI应用工程师与AI产品经理的职责范围和工作内容出现了高度重合的趋势。
但是，根据我推荐候选人后获得的反馈，他们实际的要求往往是上述描述之外，还要加上以下这些：
既要懂Ray/KubeRay分布式训练，又要能重构学术研究级的原型模型；既要熟悉MLOps、会搭建CI/CD流水线，最好还能撰写技术博客、引领开源社区；如果对底层Transformer架构有深入研究，并且拥有论文发表或竞赛获奖经历，那就更理想了。
这种对比非常有趣。你会发现，企业所需要的往往不是一个人，而是一个“超人”，或者说是一个团队的复合能力：
| JD的表象需求 | 冰山下的真实需求 |
|---|---|
| 会使用AI工具调用API、进行微调、搭建RAG系统 | 能构建AI生产力基础架构设计训练/推理框架、保障系统稳定性、处理海量多模态数据。 |
| 解决单点业务问题开发对话机器人、优化推荐系统 | 打通工程全链路将学术原型工程化、建立可持续迭代的MLOps与工程体系。 |
| 具备垂直行业知识懂教育、出版、金融等特定领域业务 | 拥有深刻的领域问题洞察力真正看清研发瓶颈、理解数据与算力资源的核心挑战。 |
| 完成交付任务 | 定义工程标准与团队文化输出最佳实践、影响团队、参与或建设开源与技术生态。 |
我们再从企业内部不同层级的角度来分析这个问题：
首先，许多公司的CEO对AI技术的理解可能仅停留在表面，但他们通常不会承认这一点，反而喜欢使用一些宏大但模糊的概念。他们最常说的一句话是：“AI技术本身不重要，重要的是能用AI解决什么实际问题。”
他们的实际行动，往往是将各种复杂的业务战略知识混杂在对AI的讨论中。这种不断叠加预期的做法，最终结果就是人为地加大了团队对需求的理解与实施难度。
因此，CEO非常需要一位能够与其同频对话的“AI大牛”。这位大牛一方面需要用CEO“感到舒适”的方式对他们进行AI认知培训，另一方面还要协助他们进行战略拆解，将那些复杂、含糊不清的愿景，分解为切实可行的具体步骤。
如果这样一位“AI大牛”没有到位，CEO们其实也清楚自身的局限。他们虽然言必称**“五年规划、生态AI战略、人工智能在XX领域的深度应用”**，但如果你仔细查看公司的实际投入，可能会发现他们一整年在AI上的预算甚至不到100万元。
除了满足CEO（或高管层）的需求，这位AI人才还需要应对平行部门乃至一线业务团队的诉求，这部分要求通常更接地气：即清晰地告诉我，AI到底能解决我们工作中的哪些具体问题，不能解决哪些问题，以及具体该如何去解决？
业务侧的执行人员通常不太关心虚无缥缈的AI故事（除非是战略或PR部门），他们需要AI能够真正帮助降本增效。因此，他们对“AI大牛”的需求是：拥有丰富的AI项目实战经验，清楚在有限资源下ROI最高的实施路径是什么。
最后是具体执行团队，也就是“AI大牛”可能需要带领的下属们。他们的诉求反而相对单纯：
- 带领团队创造价值，带领我们进入AI行业，带领团队成长。
- 帮助我们解决具体的技术难题，最好能亲自上手写代码、优化提示词。
综上所述，许多公司真实需要的是一位“超人”。他既要能与CEO对话、协助拆解战略、讲好AI故事；又要能帮助公司真正实现降本增效；还要能够亲力亲为，帮助团队解决具体问题。
那么，问题来了：这样的人真的存在吗？
答案是肯定的，市场上确实存在这类复合型人才。他们通常是那些操盘过预算在2000万以上大型AI项目的负责人，具备全方位的视野和能力。然而，这类人才是市场上最为抢手的“硬通货”，并且他们大多处于职业发展的稳定期，并不频繁活跃在求职市场上。
因此，尽管这类人才确实存在，但绝大多数公司很难招募到。即便有幸招到，也往往需要付出极高的成本。公司很可能会对其产出抱有极高、甚至不切实际的期待，进行高强度考核，最终导致人才压力过大、合作破裂、人财两空。
那么，对于大多数公司而言，它们实际上需要什么样的人才呢？
简单AI项目的人才需求
这里或许不得不指出一个现实：许多公司对AI的应用还处于探索阶段，他们其实并不完全清楚自己需要什么。“超人”固然完美，但在大多数情况下属于严重超配。
要清晰了解企业真实的AI需求，我们可以从两个角度思考：首先是市面上已有的AI项目类型，每种项目的核心瓶颈与成本结构是什么。如图所示：
这套 “领域知识 - 数据 - 工程能力” 的分析框架同样适用于智能体（Agent）架构。因为Agent（如采用ReAct框架）的核心差异在于多步推理与调度，但所需的其他要素（知识、数据、工程）一个都不会少。
绝大多数公司并非要完成所有类型的AI项目（越底层的项目成本越高）。根据我的观察，最常见的企业需求主要集中在三类：
- AI工作流：用于解决工作中的具体、重复性痛点。
- 简单的AI知识库：最常见的应用如智能客服问答系统。
- 基础的Agent应用：基于上述应用进行包装和升级的简单智能体，复杂度通常不高。
不同类型的项目，对人才能力模型乃至公司整体能力的要求是不同的：
工作流类项目最核心的需求是领域知识。例如，人力资源的具体工作流程是什么？财务报销的环节有哪些？这些都需要进行系统地梳理。因此，对负责人的要求可能是拥有相关行业经验 + 具备出色的沟通与梳理能力。
在此基础之上，才是对工程能力的要求。这类项目中AI技术的占比通常不会太高，最多20%（多数情况下在10%左右），有时还会结合RPA等技术，虽然应用广泛，但技术难度普遍不高。
简单AI知识库项目，则在AI工作流的基础上，对数据的整理能力提出了更进一步的要求。其方法论其实非常清晰，如图所示：
因此，负责此类项目的AI人才，除了基本的领域知识外，还需要具备一定的数据清洗、标准化和治理能力。
最后的Agent项目要稍微复杂一些，但多数公司的需求并不会做得太深。如果真的需要实施，负责人需要清晰理解ReAct等框架原理、熟悉工具调用的优化技巧、并深入了解如MCP协议及Skills（这是提升工具调用准确性的关键）。
现阶段，已有许多成熟的框架（如LangChain）对常用功能进行了封装，降低了开发门槛。但如果希望深入定制或应对复杂场景（如长期记忆），建议具备从零开始手写代码的能力。这需要对AI工程能力有更高的要求，但通过系统学习，通常一两个月也能掌握核心。
综上，对于大多数只想实施常规AI项目的公司而言，他们需要的往往是一位月薪在 3-5万元 左右的团队负责人，由他带领几名精干的执行成员即可胜任。
而对于那些意图开展复杂AI项目的公司，所需的人才模型则又有所不同。
复杂AI项目的人才需求
首先，复杂的AI项目在实施上会面临诸多挑战，其难点主要集中于三个方面：
- 第一，如何将专家个体的认知与经验，系统地整理成可被计算机处理的结构化知识；或者，在已有知识的情况下，如何有效地组织相关数据。
- 第二，数据应该如何与AI模型进行高效、准确的交互，确保每次模型调用都能检索到最相关的信息。
- 第三，也是最关键的挑战之一，即精准的意图识别。
尤其是第二点，它往往是 AI项目中工作量最大、占用预算最多的部分：从原始数据整理、到构建交互接口、再到基于反馈的数据迭代优化，共同构成了我们常说的“数据工程”。
真正参与过复杂AI项目的同学会深刻体会到，团队80%的时间和资源可能都投入在了处理各式各样的数据问题上。
此外，许多专业知识依赖于特定领域的专家，如医生、律师、教师等。这些非互联网行业的专家通常不擅长系统化地输出自己的认知体系，这就需要项目团队去组织、引导和提炼，这其中又涉及到了项目管理和知识管理的学问。让大家相信，管理专家完成日常工作或许简单，但要让他们持续、结构化地输出核心知识，则非常困难。
在了解上述背景后，我们可以进一步探讨复杂AI项目的人才需求。首先，我们给出一个复杂AI项目的全景人员及任务映射图：
产品一号位：定义边界
产品负责人是AI项目范围的界定者，也是老板战略意图的解读人。项目的失败，往往始于目标的不切实际。
产品负责人的核心任务，是破除“AI什么都能做”的幻想。如果项目边界无法被清晰定义和收束，工程师团队将会被无限且模糊的需求拖垮。
具体而言，他需要能够将老板“做一个AI医生”这样的模糊战略，落地为“第一期先开发诊前问诊智能助手”的可执行计划。这本质上是在定义产品的路线图。他必须拥有足够的决断力，敢于说“V1.0版本我们不涉及疾病诊断，只提供健康咨询”，这就是对项目边界的管理。
只要能够将核心需求梳理清楚，做好向上管理（对齐老板期望）和横向管理（协同市场、技术），便是一个良好的开端。
技术一号位：实现与架构
技术负责人是将不确定性转化为确定性输出的总工程师。所有的领域知识，最终都需要通过他设计的技术架构落地为具体的产品。具体来说，他需要：
- 设计技术路径： 规划从知识入库、检索策略，到对话状态管理、效果评估的完整技术闭环。
- 主导数据工程： 深刻理解“垃圾进，垃圾出”的原则，设计能够承载行业知识的高质量数据结构（如实体、关系定义），这是整个系统“智能”的基石。
- 产出可执行文档： 在现阶段，技术负责人不一定需要亲自编写所有代码，但他产出的技术方案文档，必须详细到任何一位合格的程序员拿到后都能直接开工。
技术一号位是团队中负责回答 “如何确保AI每次都能获取到准确、相关的知识” 这个问题的人。此外，他还需要带领团队搭建提示词管理、知识生产流水线、系统可观测性等支撑平台。换言之，他同时扮演着技术架构师和半个项目管理办公室（PMO）的角色。
行业专家：知识的源头
严格来说，行业专家是项目的“知识源头”，也是AI输出结果质量的最终评判者。也就是说，数据的质量标准需要由他来定义。更进一步，他是驱动整个系统持续优化的“数据飞轮”的核心。
系统上线后，行业专家需要通过分析错误案例，指导团队是应该补充新的知识条目，还是调整提示词策略，从而驱动系统不断进化。
他需要定义什么是“可接受的答案”，什么是“危险或不可接受的错误”，项目的评估数据集最终也需要由他来审定。
以AI医疗项目为例，医生专家不能仅仅会看病，更需要能够清晰地阐述 “为什么这样诊断，其步骤和依据是什么” ，并配合技术负责人，将诊疗流程梳理为标准操作程序与核心数据结构。
下表总结了复杂AI项目中的核心角色与要求：
| 岗位 | 核心能力要求 | 主要来源 |
|---|---|---|
| 产品一号位（AI产品负责人，负责边界与路线图） | 硬实力： 3–5年以上B端/SaaS产品经验，理解LLM/RAG/Agent基本原理，能独立完成需求拆解与版本规划。软实力： 边界感强，敢于收拢需求，善于通过文档对齐老板与技术团队的认知。 | 互联网大厂/独角兽公司的中高阶产品经理；SaaS/数据中台产品负责人；有经验的AI创业公司合伙人型产品经理。 |
| 技术一号位（AI技术负责人，总工+半个PMO） | 硬实力： 5年以上算法/平台研发经验，熟悉LLM工程栈（RAG、向量数据库、微调、部署），能搭建“数据-训练-评测-部署”全链路。软实力： 具备技术决策与取舍能力，能带领小团队并行推进多个项目。 | 云厂商/大厂的AI平台负责人；AI创业公司技术合伙人/CTO；头部业务线中有AI项目实战经验的技术负责人。 |
| 行业专家（医生/律师/教师等，知识来源） | 硬实力： 本行业5年以上一线实战经验，持有相关执业资格或高级职称，能提供完整的SOP和标准答案集。软实力： 愿意持续配合项目进行知识输出，能按照项目节奏参与知识整理与效果评测。 | 三甲医院科室骨干医生；头部律所合伙人/主办律师；重点学校教研组长/名师；行业协会、龙头机构的专家顾问。 |
| 架构师/核心工程师（技术专家，承接核心架构与落地） | 硬实力： 5年以上后端/平台开发经验，熟悉分布式与云原生技术，有模型网关/RAG服务/向量库集成等经验，具备性能与稳定性治理能力。软实力： 能拆解宏观架构蓝图，带领2–5人的工程小组攻坚关键模块。 | 大厂平台/中台团队的资深工程师或架构师；云计算公司技术骨干；有知名开源项目或AI平台落地经验的高级后端工程师。 |
| AI应用工程师/提示词工程师（模型、工具链与业务集成者） | 硬实力： 2–5年后端/全栈开发经验，掌握Python/Node等语言，熟悉主流LLM API及LangChain/Dify等框架，有RAG/Workflow/Agent实战经验。软实力： 动手能力强，能与产品、专家协同快速迭代效果，习惯通过日志分析和badcase复盘来优化策略。 | 在中小厂/创业公司参与过AI Demo/助手/客服项目的工程师；大厂内部AI工具/Copilot项目成员；活跃在开源Agent/RAG社区的开发者。 |
| 产品/数据运营（辅助岗）（连接业务、数据与产品落地） | 硬实力： 会使用Figma/墨刀等工具制作原型，掌握基础SQL与BI工具，能看懂数据指标并完成基础分析。软实力： 用户同理心强，善于跟进版本进度、整理问题反馈并推动解决闭环。 | 互联网公司的产品运营/增长运营/数据产品经理；SaaS公司的实施顾问/客户成功经理；有一定产品功底的数据分析师或运营人员。 |
最后，我们还需要回答一个核心问题：为什么那些从大厂出来的、专业能力过硬的人才，到了小公司后，双方却常常不满意，且人才难以留住？
为什么人才“待不住”？
一个普遍认知是：在小公司更容易培养出项目管理型的通才，但要孕育出精深的技术专家则相对困难。然而，最近市场上频繁出现一种现象：
从大厂出来的人才，专业能力无可挑剔，但加入小公司后，双方却常常彼此不满，人才也迅速流失。
文章开头提到的那位阿里P8同学，就是一个非常典型的案例。从纸面能力模型看，他几乎完美契合许多公司口中所谓的 “AI大牛” 标准。
结果呢？短短两个月便匆匆离职。 经过与双方的沟通，发现彼此都积攒了诸多不满：
- 公司方认为： 他确实有些本事，但有些恃才傲物，不太好协作，事情推动不畅，感觉无法成事。
- 他本人认为： 公司管理太混乱，缺乏基本规则，决策随意，很多想法根本落不了地。
实际上，只有那些在大小公司都担任过重要职位的人才能深刻体会到，问题的根源往往不在于个人能力是否达标，而在于一种更深层次的系统性冲突：
大厂的中层管理者被“规则与流程”所塑造，而小公司的高管则长期在“混乱与生存”中接受淬炼。
在大型企业，类似P8/P9这样的中层角色，长期浸润在这样的环境中：
- 有清晰的年度/季度战略节奏、OKR体系、项目优先级排序机制。
- 即使需求存在冲突，也总有一整套机制（如评审会、立项会、跨部门协同小组）来帮助协调和兜底。
- 个人主要负责一段确定性较高的业务链路，核心任务是 “在既定框架和规则下，把分配的事情做到最好” ，而非 “从零开始，在一片混沌中定义要做什么事” 。
长此以往，他们会形成一种强大的思维定式和能力优势：只要规则清晰、资源到位，我就能打赢这场“仗”！
但必须指出，他们是这套精密规则体系培养出来的 “流程高手” 。他们所谓的“打胜仗”，很大程度上依赖于公司提供的平台、资源和既有流程。至于项目是否真正创造了超预期的商业价值，或者是否在某些环节存在巨大的资源浪费，可能并非他们首要关注的焦点。
他们在原公司的厉害之处，往往体现在：在资源相对合理的条件下，非常擅长在既有规则框架内进行权衡与协调：例如争取资源、排列优先级、平衡各方利益。
然而，这些在大厂被视为核心竞争力的 “优势” ，一旦进入中小型公司，很可能会迅速失效，因为小公司首先缺乏充足的资源，其次没有成熟稳定的规则，更多的是需要能直接“开荒打仗”的人…
中小型公司（尤其是200人以内）的真实生存状态是：
- 没有、也负担不起搭建重型管理制度和复杂流程，投入产出比太低。
- 老板的想法可能一周一变，业务方向频繁调整是常态。
- 日常需求通常只具备三个特征：数量多、时间急、且缺乏清晰的优先级排序。
在这种环境下，老板心目中的 “高管级AI人才” ，本质上期望的是：一个能够自我驱动、在混沌中自行建立规则、敢于试错并独立承担后果的“闯将”。
他们不太关心你是否熟悉大厂那套规范的流程，更关心的是：
- 你能否在一堆相互矛盾的需求中，迅速判断并挑出最紧要的那一件先干起来？
- 你能否在资源极度紧缺、信息极不透明的情况下，硬着头皮、想尽办法把一件事推动下去？
- 你能否在没有“PMO”或“跨部门委员会”支持的情况下，靠自己把相关人员拉拢过来开个会就能启动项目？
- …
简而言之，老板的期望往往是既要人才有大厂的专业视野，又要他能像创业员工一样躬身入局、承担所有；而人才则可能仍带着大厂的“专业范儿”，期待清晰的边界和足够的支持，不愿做“亏本买卖”。 最终，结果自然是一拍两散。
我印象特别深刻的是双方在沟通最后说的一句话，充分体现了关注点的根本差异：
老板抱怨：“你怎么总是在那里做评估、搞调研、抱怨资源不够？先把我想要的这个客服机器人搞出来行不行？” 人才反驳：“你们连最基本的需求管理、排期评审流程都没有，难道指望我一边在前线打仗，一边还得自己从零开始造坦克吗？”
综上所述，专业能力本身或许不是问题，但不同规模公司的组织形态、运作逻辑和生存哲学截然不同。这种系统性的不匹配，导致即使是非常优秀的人才，在许多小公司也难有施展空间，最终选择离开。AI专业技能是宝贵的敲门砖，而适应性与管理能力则决定了后续能添加多少个“0”。最终，一切都将回归到投资回报率的考量，并且是双方基于各自立场所理解的ROI。
希望这篇长文的分析，能对正在招聘AI人才或正在寻找AI岗位的你有所启发。