AI 工程师的三大断层：2026 白皮书

这是《三大断层》系列的最后一篇。

过去两周，我们一起走完了 5 篇——开篇宣言 → 定义断层 → 信号断层 → 产品发布 → 撮合断层与流动图谱。

今天这篇干三件事：

1. 1. 把 5 篇的结论压成一页纸，方便你整体回看
2. 2. 给出 2028 年的 3 条判断，供你做职业决策参考
3. 3. 提供完整白皮书 PDF 下载——所有数据、图表、方法论的合集，关注公众号后台回复 AI2026

一、一页纸回顾

过去 5 篇建立了这样一套语言——

三大断层（核心框架）

AI 招聘市场的问题不是"岗位不够"或"人不够"。是供需两端在用不同的词汇表——具体拆成三层：

• • 定义断层 Taxonomy：AI Engineer 到底是什么，没有共识
• • 信号断层 Signal：怎么证明一个人会 AI，没有权威中枢
• • 撮合断层 Matching：JD 和简历怎么对上，没有机制

AI 工程师光谱 L1 到 L5（取代 7 种标签）

• • L1 · API 调用者（能把模型接进业务）
• • L2 · Prompt 工程师（能让输出稳定）
• • L3 · RAG 架构师（能搭完整检索系统）
• • L4 · Agent 设计师（能做多步骤多工具协作）
• • L5 · AI 全栈（从 Prompt 到 fine-tune 端到端）

能力信号 vs 能力标签（Signal vs Label）

• • 标签（Label）是自述——简历、LinkedIn、JD 里写的词。易通胀、难验证。
• • 信号（Signal）是他述——GitHub 画像、作品集、Benchmark 成绩、社区贡献。可验证、难造假。
• • 在 AI 时代，Signal 的权重会越来越大。

GitHub 画像四维（Signal 层的具体标准）

• • 影响力（reachability）：关注者触达
• • 贡献力（impact）：Stars / Fork 带来的声量
• • 活跃度（activity）：近期 commit / issue 参与
• • 生态参与（ecosystem）：跨仓库 PR / issue 互动

二、6 组关键数据

系列里引用过的核心数据，全部列在这里。这些数字也写进了完整白皮书的附录。

数据 1：中国 GitHub 开发者总量

110,659 人（china_confirmed，2026-04-23 快照）

按综合能力分布：

• • T1 极客精英：9,198（8.31%）
• • T2 技术专家：18,502（16.72%）
• • T3 活跃开发者：40,110（36.25%）
• • T4 新兴开发者：42,848（38.72%）

数据 2：领域分布（"AI 方向"的真实边界）

在这 11 万人里，被归为各领域的比例：

• • 跨栈 / 综合：38,000（34.6%）
• • 前端：21,830（19.7%）
• • AI 与机器学习：12,993（11.7%）
• • 移动端：9,900（9.0%）
• • 后端：9,100（8.2%）
• • （其他：运维、数据工程、数据库、嵌入式、游戏、区块链、安全、全栈……）

反直觉观察：前端开发者比 AI 方向开发者多 1.67 倍；"AI Engineer" 在 JD 里最热门，在画像里是 11% 的小众。

数据 3：AI 方向的 Tier 分布

AI 方向 12,993 人内部——

• • T1（极客精英）：1,645（12.7%）
• • T2（技术专家）：2,384（18.3%）
• • T3（活跃开发者）：4,191（32.2%）
• • T4（新兴开发者）：4,782（36.8%）

观察：AI 方向的 T1 占比（12.7%）是全领域最高，比平均（8.31%）高 50%——AI 方向相对聚集精英。但 T4 也占 36.8%，"顶尖 + 新兴"双偏高，中间的成长梯队相对薄。

数据 4：AI 方向的城市地图

Top 10 城市：

观察：北京 AI 方向人才是上海的 1.34 倍；香港 AI 画像综合分全体最高（虽数量小）；成都、武汉、南京等二线城市各有 200-400 个 AI 开发者，不应被招聘市场忽视。

数据 5：AI 方向的公司集中度（反直觉）

Top 15 机构：

• • 1-5 名全是高校：清华（233）/ 浙大（179）/ 上交（140）/ 北大（134）/ 复旦（114）
• • 6-7 名是头部大厂：腾讯（111）/ 阿里（86）
• • 8-11 名又是高校：武大、南大、华科、中科大
• • 12-14 名：电科大、百度（56）、字节（55）

观察：前 6 名有 5 所是高校。清北浙交复的 AI 开发者加起来是四大厂（腾讯 + 阿里 + 百度 + 字节）总和的 2.6 倍。

原因：高校 AI 方向学生 / 博士生有时间也有动力开源，大厂 AI 代码多在内网。但对招聘意味着——不要只盯大厂背景。

数据 6：AI 方向的 Tier × 活跃度对比

同样都叫 "AI 方向开发者"，不同 Tier 的实际活跃度：

观察：T1 的年均活跃度是 T4 的 3.24 倍。这个差距会自我加速——写得多 → 获得反馈 → 更有动力写 → 画像更强 → 更多机会 → 写得更多。

三、2028 年的三条判断

写这个系列的过程中，我越来越相信接下来 2-3 年会发生这 3 件事。如果你要做职业决策，可以参考。

判断 1："AI Engineer" 这个标签会消失或重新定义

2028 年之前，大概率发生两件事之一：

• • 标签被细分术语取代：招聘市场开始明确说"L2 Prompt Engineer""L3 RAG Architect""L4 Agent Designer"——不再笼统说 "AI Engineer"
• • 标签回归 Software Engineer：因为到时候"会 AI"就像今天"会写 SQL"一样是基础门槛，不再独立成岗

决策建议：别把自己的 career identity 完全绑在 "AI Engineer" 这个词上。多想"我在光谱的哪一层""我的核心能力是什么"。

判断 2：GitHub 画像会成为事实简历

今天只有 10-15% 的工程师会认真展示 GitHub 画像。2028 年这个比例会到 50%+。

两个推动力：

• • AI 内容造假越来越容易——LinkedIn 简历可以用 LLM 生成几十版，HR 的"人眼筛选"在降维
• • HR 工具会自动读 GitHub 画像——不会再问"几年 AI 经验"，会直接给出"这位候选人的活跃度是行业 P42"

决策建议：从今天起，保持 GitHub 活跃。不需要每天 commit，但至少每月有可见的产出。6-12 个月的活跃度信号比 3 页简历值钱。

判断 3：任务化面试会普及

一线公司招 AI 工程师不会再用 "LeetCode 2 轮 + 系统设计 1 轮"。会是：

• • take-home 任务（24 小时做一个真实业务场景的 Demo）
• • Benchmark 对比（你的 agent 能不能超过 AgentBench 中位数）
• • 代码 review（看你写的真实代码，讨论设计哲学）

决策建议：刷 LeetCode 和做真项目二选一，毫不犹豫选后者。

四、对工程师的 5 条建议

如果你是现在 30 岁上下、在考虑 AI 方向的工程师，这 5 条写给你：

1. 明确你在 L1-L5 的哪一层

看 W2 的自测题。诚实回答"我能交付什么"。不要焦虑级别低——L1 到 L3 的市场需求最大，不是"越往上越值钱"。

2. 用 GitHub 画像做你的他述简历

从今天起，每月至少 1 个可公开的产出（代码 / 项目 / 技术博客 / issue 参与）。6 个月后你的活跃度信号会是面试时最强的筹码。

3. 选子领域——NLP 红海，Agent / MLOps / Embodied 还有蓝海

看 W4+W5 数据：AI 方向 5822 人做 NLP（44.8%），Agent 只有 688 人（5.3%）。不是说 NLP 不做，而是竞争密度不一样。如果你想快速积累 Signal，选新兴热点 + 竞争者少的交叉点。

4. 不用非进大厂，学院派和独立开发者都有红利

图 3 的反共识结论：高校 + GitHub 强的组合正在跑赢大厂背景。如果你是博士 / 硕士 + 有 AI 项目，你在 2026-2027 市场上的议价能力很强。

5. 学会用"信号语言"写简历 / 自我介绍

不要再写"5 年 AI 经验"。改成写具体信号：

• • "过去 12 个月 GitHub 贡献 XXX 次"
• • "主要 AI 项目 github.com/me/xxx 获得 Y stars"
• • "在 HuggingFace 上开源过 Z 个模型"

这样的信号句式比 Label 有说服力 10 倍。

五、白皮书领取

以上是 2 周连载的精华。完整白皮书 PDF（50+ 页，包含全部数据表、所有图表高清版、一手 Python 分析脚本、补充方法论）可以关注我们公众号后台回复：

AI2026

回复关键词后，系统会自动发你 PDF 下载链接。

白皮书里额外的内容：

• • 16 张完整数据图表（文章里只展示了 3 张）
• • 从北京 / 上海 / 杭州 / 深圳 / 香港的 5 个真实 T1 AI 开发者的匿名对话访谈（半小时一档）
• • 代码印记的完整数据方法论（我们怎么判定"中国开发者""AI 方向""Tier 分级"的算法细节）
• • 10 家中国 AI 创业公司的"招聘 JD 案例诊断报告"（哪些是典型错位、怎么改）

六、最后一句

2 年前我们还没有"全栈工程师"的精确概念。但这个词铸造出来之后，整个市场围绕这个词重构了招聘。

今天我们试图对"AI 工程师"做类似的事——在这个还没有人说清楚的窗口期，把语言先铸造出来。

如果接下来 2 年，你在招聘、谈判、选择方向的时候，能想起"这是三大断层里的哪一层""我是 L 几""我的 Signal 说了什么"——这套语言就发挥了它的价值。

感谢你走完这 6 篇。

我们下个系列再见。

本系列所有数据由「代码印记」开发者画像平台（ct.xiaotaozi.cc）采集自 GitHub 公开数据。完整白皮书 PDF 通过公众号关键词「AI2026」发送。若你对某个数据或方法论存疑，可以在评论区留言，我们一起讨论。