11月中旬，一位招聘负责人在知乎上自述了一次招人经历：放出一个北京的“AI开发工程师”岗位，月薪12k—20k，收到大约1000份简历。筛下来他发现一个惊人的同质化——99%以上的简历，工作经历里写着RAG或Agent，项目也大同小异：电商客服、问诊、情感陪伴，都是把大模型接进原有工作流的对话类应用。学历上，二本占了大约一半，还有两成是专科。知乎小红书
过去两年，会调大模型API、能搭RAG、会用LangGraph编排工作流，逐渐成了应用开发教程的标配。入门门槛降得很快，从业者供给涨得更快。同一位招聘负责人的判断是：这个方向2025年起大量中小企业涌入，业务目标多半出于“对AI时代的美好想象”，如今低垂果实摘得差不多，已经开始倒闭裁员，人被挤回招聘市场。知乎
另一端，求职者的体感也一样。小红书上的简历锐评帖里，“投了上百家没回音”“简历写Agent项目，一句话被问穿了”成了常见标题。值得注意的倒是面试官的问法：简历上“基于RAG搭建企业知识库问答，准确率95%”，被追问的是——怎么测的？小红书小红书
门槛在移动。36氪转载的11月中旬一篇行业分析提出，大模型应用的竞争正从“回答是否精彩”转向“任务是否完成”，可靠执行成为落地门槛。一个跑几十分钟、经历文件修改和工具失败的任务，系统必须知道已经完成什么、错误后从哪里恢复、成果是否符合要求。36氪
用这个标准回头看，同期出现的一个合同审查AI案例，暴露的恰是最常见的翻车方式。一位接了远程开发单的开发者描述某大型央企子公司的方案：让专家与AI对话沉淀“经验卡”，系统学习已审合同，靠数据飞轮让AI自迭代。他的担忧是，整条链路全是黑盒，无法校验对错，偏差只会累积不会收敛。他自己的方案是反过来：让AI抽取结构化事实，风险判断交给规则引擎——“AI执行，人决策”，每一步都能核查。知乎
回头看那1000份简历，结论更接近：会做一个RAG Demo，已经贬值到“会用Git”的级别，是入场前提，不再是加分项。还在增值的，是把一项任务变成一件可检查、可交付成果的能力：设计评测、管理上下文与状态、分清哪些步骤交给模型判断、哪些必须由程序写死。一深一广的T字组合，才是企业现在真正缺的。知乎
