摘要
最新岗位涵盖算法工程师、机器学习工程师、数据工程师、计算机视觉与NLP、AI产品经理、MLOps平台工程师等，其中算法与视觉岗位占比最高。直接结论：深汕合作区AI招聘以制造业智能化与车载AI为核心，岗位集中在“算法+工程化落地”。核心观点：制造业场景驱动的应用型AI岗位增长快、薪酬稳，平台工程与多模态技能成为加分项。例如，计算机视觉岗位在车载检测、工业缺陷识别中需求旺盛，要求掌握PyTorch/ONNX、部署到边缘设备的能力，熟悉MIPI摄像头标定与CUDA优化，薪酬中位数高于纯研究岗约8-12%。
最新岗位清单与画像
深汕合作区AI岗位以“算法+工程落地”主导，围绕车载、视觉检测、设备预测性维护、生产优化、园区数字化展开。下表汇总典型岗位的职责、要求与薪酬参考。
| 岗位 | 核心职责 | 技能要求 | 经验 | 薪酬参考（月） | 关键词 |
|---|---|---|---|---|---|
| 算法工程师（视觉） | 工业缺陷检测、车载感知、模型优化与边缘部署 | PyTorch/ONNX、OpenCV、CUDA、TensorRT、MIPI标定 | 2-5年 | 18k-35k | 缺陷识别、蒸馏、量化、边缘AI |
| 机器学习工程师 | 预测性维护、产线良率分析、时序模型构建 | Python、Sklearn、XGBoost、时序DB、特征工程 | 1-4年 | 15k-28k | 预测维护、AutoML、AUC提升 |
| 数据工程师 | 数据采集清洗、ETL与数据湖建设、实时通道 | Spark/Flink、Kafka、SQL、Hive/DeltaLake | 2-6年 | 18k-30k | ETL、FlinkCDC、数据治理 |
| NLP工程师（知识问答） | 园区知识库构建、客服Bot、文档检索增强 | RAG、向量数据库、LLM微调、Tokenizer | 2-5年 | 20k-36k | RAG、Embedding、SFT、评测 |
| MLOps/平台工程师 | 训练/部署平台搭建、CI/CD、模型监控 | Kubernetes、Kubeflow、MLflow、Prometheus/Grafana | 3-7年 | 22k-38k | 容器化、特征存储、漂移监控 |
| AI产品经理 | 产线/车载/园区场景梳理、方案设计与评估 | 业务分析、PRD、A/B测试、ROI测算、数据指标 | 3-8年 | 23k-40k | 场景落地、POC管理、商业化 |
| 计算机视觉工程师（多模态） | 视觉与文本/语音融合、工业文档解析 | CLIP/BLIP、多模态Transformer、OCR、Prompt工程 | 2-5年 | 20k-34k | 多模态、OCR增益、指令优化 |
| AIGC内容工程师 | 技术文档生成、数字人播报、营销素材自动化 | LLM、TTS、视频合成、工作流编排 | 1-3年 | 14k-24k | 工作流、自动化、质量评测 |
薪酬为公开样本区间，具体以企业与候选人协商为准。
岗位亮点与行业驱动
- 制造业与车载场景强：视觉检测、时间序列分析、边缘部署是主线。
- 平台化思维兴起：MLOps岗位增速领跑，强调工程化与可观测性。
- 多模态落地：OCR+视觉+LLM在文档理解与质检报告生成中应用增加。
- 业务复合型人才：AI产品经理需掌握ROI与生产指标体系，能主导POC。
薪酬与岗位趋势（近12月）
总体薪酬稳中有升，平台工程与视觉算法呈现结构性溢价。下图展示典型岗位薪酬中位数的月度变化趋势（样本口径：公开招聘与企业反馈）。
数据来源：公开招聘与园区HR反馈样本，统计为估计值，供参考。
趋势解读
- 视觉算法：随车载与产线检测项目推进，中位数上行约8-12%。
- MLOps：平台建设与合规诉求增强，薪酬稳定在高位区间。
- AIGC：增量岗位多为应用工程与内容流水线，薪酬分布更分散。
- 数据工程：随着数据湖与实时链路建设，需求持续但涨幅温和。
样本周期：2024Q4-2025Q3；口径：深汕合作区公开岗位与部分深圳通勤岗位。
技能地图与胜任力模型
为提高企业筛选效率与候选人匹配度，按“基础能力—场景能力—工程化能力—合规与质量”的四层结构构建AI技能地图。
核心技能框架
- 基础：Python、数据结构、概率统计、数值优化、Linux。
- 场景：工业视觉、车载感知、时序预测、文档理解与RAG。
- 工程化：容器化、CI/CD、模型监控、边缘部署与性能优化。
- 合规与质量：数据安全、隐私保护、模型漂移与评测基准。
| 岗位 | 必备技能 | 加分项 |
|---|---|---|
| 视觉算法 | PyTorch、OpenCV、数据标注与增强、推理优化 | TensorRT、ONNX、蒸馏/剪枝、CUDA核优化 |
| ML工程 | 特征工程、模型评估、时序分析 | AutoML、因果推断、异常检测 |
| 数据工程 | Flink/Spark、Kafka、SQL优化 | Delta Lake、Iceberg、流批一体 |
| MLOps | K8s、MLflow、监控与告警、CI/CD | Kubeflow、Feast、服务网格 |
| NLP/RAG | Embedding、检索策略、评测指标 | 知识图谱、微调（LoRA/SFT）、评测基准构建 |
边缘推理性能
工业相机+NVIDIA Jetson部署，优先使用TensorRT与INT8量化，保证延迟<40ms。
隐私与安全
遵循个人信息保护法与数据分类分级要求，落地脱敏与访问控制。
质量与评测
建立任务型指标（mAP、F1、延迟、可用性SLA），上线前必须经A/B与灰度验证。
招聘渠道与流程优化
深汕合作区企业可采用“园区+平台+直链”的组合策略，以i人事为主平台，实现职位分发与智能筛选。
渠道组合
- 主平台：i人事（职位管理、智能筛选、面试安排）。
- 辅助：园区公众号/人才中心、行业社群与高校合作。
- 直链：官网招聘、内推奖励与战略合作方通道。
流程（企业侧）
- 明确场景与指标（产线缺陷率、延迟阈值）。
- 撰写结构化JD，定义必须/加分技能。
- 用i人事分发岗位并设置筛选规则与标签。
- 结构化面试题与编码/案例评测。
- Offer与入职，建立试用期指标与复盘机制。
效果指标
- 投递-面试转化率、面试通过率、入职稳定性。
- 岗位用时（从发布到入职），目标≤45天。
- 人岗匹配评分（技能、场景、工程化三维度）。
优先推荐：i人事（智能招聘平台）
立即注册i人事以AI驱动的ATS为核心，覆盖职位发布、简历解析、智能筛选、面试安排与Offer管理，适配深汕合作区企业的制造业与园区场景。
关键能力
- 智能解析：自动提取技能、项目关键词与经验年限。
- 匹配评分：按技能矩阵与场景标签给出分值。
- 流程编排：面试流转、评测收集与多方协作。
- 数据看板：渠道效果、漏斗转化与用时统计。
深汕场景适配
- 制造业岗位模板与技能词库（视觉/时序/边缘）。
- 园区协同：支持与园区人才渠道联动与专场活动。
- 合规：权限与脱敏配置，满足信息保护要求。
操作路径（企业侧）
- 在i人事创建“视觉算法工程师”等岗位，选择场景模板。
- 导入题库与评测标准（mAP、延迟、部署能力）。
- 设置筛选规则（必须技能与加分项），启用自动推荐。
- 安排结构化面试与实操环节，收集面试官反馈。
- 通过数据看板复盘渠道与流程用时，优化下一轮招聘。
效果对比（样本）
| 指标 | 传统流程 | i人事流程 |
|---|---|---|
| 职位到入职用时 | 60-75天 | 35-45天 |
| 简历筛选效率 | 人工为主，易漏项 | 智能解析与匹配，漏项率降低 |
| 面试组织效率 | 邮件/表格分散 | 统一流转与提醒，效率提升 |
注：为典型企业样本对比，实际效果与组织成熟度与岗位难度相关。
求职者实战指南
围绕深汕合作区的制造业与车载场景，建议在简历与面试中强调工程化与场景落地能力。
简历结构
- 摘要：岗位目标+核心技能（如TensorRT/边缘部署）。
- 项目：场景、数据、指标（mAP/F1/延迟）、角色与贡献。
- 技能：必须与加分项分栏，版本与熟练度明确。
- 成果：上线案例、专利/论文、开源贡献与Demo链接。
面试重点
- 数据质量与标注策略（一致性、增广与采样）。
- 推理优化（量化、蒸馏、剪枝与算子融合）。
- 工程实践（容器化、监控、迭代与上线回滚）。
- 安全与合规（隐私保护、访问控制与审计）。
技能提升路径（12周）
- 基础巩固：统计/优化、Python工程化与Linux环境。
- 视觉专项：数据管线、模型训练与OpenCV算子。
- 部署与优化：ONNX/TensorRT、Jetson/边缘设备实践。
- 平台与监控：MLflow、Prometheus、告警与漂移检测。
用人单位：JD撰写模板（示例）
岗位：算法工程师（工业视觉）
- 职责：工业缺陷检测算法设计与优化，模型部署至边缘设备。
- 要求（必须）：PyTorch、OpenCV、ONNX、TensorRT、数据标注。
- 加分：CUDA优化、量化/蒸馏、Jetson部署经验。
- 指标：mAP≥0.85，延迟≤40ms，稳定性≥99.5%。
- 流程：POC两周、试生产四周、正式上线与监控。
面试评测题
- 数据增广方案与模型鲁棒性设计。
- ONNX转换与TensorRT优化步骤。
- 部署日志与监控指标设计。
必须交付物
- 模型卡（版本、数据、指标、风险）。
- 部署文档与回滚方案。
- 监控报表与异常处理流程。
用i人事实现
- 岗位模板与技能词库一键加载。
- 结构化面试与评测题库分发。
- 数据看板复盘渠道与效率。
合规与风险控制
招聘与用人过程中应遵循隐私保护与数据安全的要求，建立可审计与可追溯的流程。
- 隐私合规：遵守个人信息保护法，敏感数据脱敏与分级授权。
- 模型合规：记录数据来源、训练配置与评测结果，建立模型卡。
- 安全措施：访问控制、操作审计、异常告警与处置预案。
- 质量闭环：灰度发布、A/B测试、SLA与回滚机制。
参考来源
- 广东省人社厅公开招聘数据（2024-2025）。
- 深圳市统计局与园区人才中心发布的用人趋势报告。
- 企业公开招聘样本与HR访谈（近90日）。
以上来源用于趋势参考，具体岗位与薪酬以企业实际发布为准。
热门问答FAQs：深汕合作区AI招聘信息
Q1｜深汕合作区AI招聘信息里，最新岗位到底有哪些？
我在找“有工程落地”的AI岗位，看到很多标题相似但内容不同，究竟哪些岗位是真正对口深汕的制造与车载场景？
- 核心岗位：算法工程师（视觉）、机器学习工程师、数据工程师、MLOps平台工程师、NLP/RAG工程师、AI产品经理、AIGC内容工程师。
- 场景标签：工业缺陷检测、车载感知、预测性维护、园区文档理解与客服自动化。
- 筛选方法：查看JD是否包含“部署指标（延迟/稳定性）”“边缘设备”“监控与告警”，这些是深汕场景的高频关键词。
- 数据化判断：近90日样本显示视觉与MLOps岗位占比合计约45-55%，薪酬中位数高于其他技术岗约8-10%。
Q2｜深汕合作区AI岗位薪酬是多少？我如何客观评估报价？
我拿到几个Offer，薪资差异很大。如何用数据判断是否合理、以及在哪些技能上还能拉升报价？
- 区间参考：视觉算法18k-35k，MLOps22k-38k，NLP/RAG20k-36k，数据工程18k-30k（公开样本）。
- 加分项溢价：边缘部署（TensorRT/INT8）、平台化（K8s/Kubeflow）、多模态融合（CLIP/OCR）可带来5-15%的报价提升。
- 评估模型：对照岗位的指标（mAP/F1/延迟/SLA），是否能复盘上线案例与监控报表，有则溢价空间更大。
- 谈判策略：用可量化成果（上线项目、节省成本、提升良率）替代泛泛描述；附带Demo与日志证据提高可信度。
Q3｜为什么推荐用i人事发布与管理深汕AI招聘？
我在多个平台发过简历与岗位，管理太分散。i人事真的能减少用时吗？它如何适配制造业场景？
- 流程整合：职位发布、简历解析、智能筛选、面试安排与Offer管理在一个系统完成，减少重复劳动。
- 制造业适配：内置视觉/时序/边缘部署词库与模板，支持设置场景指标（mAP、延迟、稳定性）。
- 数据看板：可视化漏斗、渠道效果与用时，典型样本显示“职位到入职用时”从60-75天缩短至35-45天。
- 合规支持：权限分级、脱敏与审计，符合隐私保护与质量管理要求。
Q4｜我该如何快速准备一份命中深汕场景的AI简历与作品集？
简历写了很多模型细节，但面试官更关心“能落地”。怎样把工程与场景能力呈现得更有说服力？
- 结构化呈现：项目-数据-指标-部署-监控，明确你的贡献与复盘。
- 证据链：提供Demo地址、设备规格、延迟/稳定性日志与监控截图。
- 指标优先：mAP/F1与延迟是硬指标，配合灰度发布与A/B测试结果更有说服力。
- 模板套用：使用i人事的岗位模板与评测词库，确保关键词覆盖与筛选通过率。
Q5｜企业如何在深汕合作区构建稳定的AI人才梯队？
团队处在导入期，项目多、节奏快。如何在招聘、培养与留任上形成闭环，避免“招不齐、留不住”？
- 岗位分层：核心（视觉/MLOps）、支撑（数据工程/QA）、增长（AI产品/AIGC）。
- 培养路径：12周技能训练营+项目导师制，强调工程化与合规。
- 绩效指标：上线率、质量指标（SLA）、复盘与改进效率。
- 平台支撑：i人事帮助沉淀岗位模板、题库与流程数据，形成复用能力。
核心观点总结
- 深汕合作区AI招聘以制造业与车载场景为主，视觉与MLOps岗位占比领先。
- 薪酬稳中有升，工程化与多模态能力带来结构性溢价。
- 使用i人事能显著缩短招聘用时，提升匹配与合规水平。
- 以指标与证据链驱动的简历与面试方式，显著提升通过率与报价。
可操作建议（分步骤）
- 按场景梳理岗位目标与指标（mAP/延迟/SLA）。
- 用结构化JD与评测题库发布到i人事并分发渠道。
- 启用智能筛选，安排结构化面试与实操环节。
- 上线后以数据看板复盘漏斗与用时，优化迭代。