AI求职 · 职业选择 · 个人复利
AI求职正在换规则：简历越来越轻，作品和判断越来越重
会用工具只是起点。未来真正拉开差距的，是你能不能把判断变成作品，把作品变成证据，再把证据变成一条越走越宽的路。
最近看 AI 招聘、创业和"一人公司"，我有一个越来越强烈的感觉：
我们还在用上一代的方式找下一代的机会。
很多人每天收藏模型榜单、论文摘要、提示词和新工具，简历里也塞满 RAG、Agent、MCP。可真正到了求职或创业那一步，别人还是看不出一件事：
你到底能把什么问题解决到什么程度？
AI 让"知道一个名词"迅速贬值，也让"做出一个可以运行、可以验证、有人愿意用的东西"更值钱。
未来的竞争，不只是岗位竞争，更像是一场个人资产重估。
第一个变化：作品集不再是截图，而是一段真实工作
有人开始用 Hermes 这类持续运行的 Agent 做作品集：让它搜集信息、整理资料、调用工具，最后留下可检查的任务轨迹和结果。
这件事目前更像社区里的探索，还谈不上普遍的招聘标准。但它指向了一个很重要的变化：
过去的作品集证明"我会做页面"；现在的作品集要证明"我能把一项工作跑通"。
一个真正有说服力的 AI 作品，至少应该让人看见四件事：
• 你选了什么真实问题；
• 你如何拆任务、接工具、处理失败；
• 结果怎样被检查，而不是只展示最好的一次；
• 用户反馈之后，你改了什么。
一段漂亮演示，只能证明它成功过一次。完整的过程，才能证明你知道它为什么成功，也知道失败了怎么办。
但这里有一条红线必须说在前面：不要拿前公司的源码、客户数据、内部文档和账号权限给自己做案例。
最稳妥的做法，是使用公开资料、合成数据、自己写的代码和经过授权的脱敏样本。作品集是能力证明，不是一次冒险的"泄密证明"。
第二个变化：不是 FED，是 FDE——离客户更近的人正在升温
先校正一个缩写。公开招聘和公司公告里常见的是 FDE，Forward Deployed Engineer，中文通常译作前沿部署工程师或前置部署工程师；FED 在 AI 招聘里并不是一个通行的对应岗位。
FDE 为什么会热？
因为企业现在并不缺一个能聊天的模型，缺的是有人把模型接进真实工作：资料在哪里，谁有权限，什么情况下可以执行，结果错了谁接管，最后怎样验收。
OpenAI 的 FDE 招聘说明把职责写得很直接：从需求发现、技术范围、系统设计，一直负责到生产上线，并用实际采用、工作流影响和评测反馈衡量结果。AWS 在 2026 年公布的 FDE 计划也强调，工程师要进入客户的真实数据、真实治理和真实约束中交付系统。
这不是在鼓励所有人改头衔。
它释放的职业信号是：离业务结果越近，价值越不容易被工具抹平。
会调接口的人会越来越多。能坐到业务现场，把一句"我们想做 AI 客服"拆成数据、规则、责任和指标的人，仍然稀缺。
第三个变化：AI 产品经理，不能只画一个聊天框
过去不少 AI 产品的结构很简单：中间一个输入框，下面几个快捷按钮，背后换一家模型。
这样的壳会越来越薄。
当模型和通用交互逐渐同质化，AI 产品经理要理解的，不只是按钮放在哪里，而是：
• 模型在什么任务上稳定，什么地方会胡说；
• 上下文、工具和数据怎样影响结果；
• 如何设计评测，判断版本是真的变好，还是演示更顺；
• 哪一步应该让 AI 做，哪一步必须由人确认；
• 怎样用原型把想法尽快放到用户手里。
不一定每个产品经理都要成为算法工程师。但至少要能读懂前沿变化，自己做出可运行原型，并和工程团队讨论失败案例，而不是只交一张交互稿。
AI 产品竞争正在从"谁的界面更像未来"，转向"谁的工作流更接近结果"。
第四个变化：创始人最怕的，不是没机会，而是机会太多
AI 每周都在制造新赛道。今天做知识库，明天做数字人，后天又想转向 Agent。
最危险的时刻，往往不是没钱，而是刚拿到一点钱、看到一点增长，就觉得每条路都能走。
一个早期团队最值钱的能力，可以压缩成三件事：
对技术走向有直觉，能快速迭代，愿意围着同一个问题持续深挖。
前两项让团队跑得快，第三项才让快变成护城河。
如果每次新模型发布都换方向，团队积累的只是追热点的速度；只有围绕一类用户、一条工作流和一组长期反馈持续迭代，数据、经验和口碑才会叠加。
找工作和做公司，正在变成同一道题
表面看，求职者在找团队，创始人在找市场，一人公司在找自己的商业模式。
往下看，他们做的其实是同一件事：
从海量变化里选一个值得长期投入的问题，然后不断留下新的证据。
你记下的 Dan Koe"一人公司"访谈有七条，我更愿意把它压缩成三问：
我现在在哪里？我要去哪里？今天能做哪个小实验，让我更接近答案？
"先对自己的未来负责"，意味着不再把方向完全交给公司和岗位名称。
"反复实验"，意味着职业选择不是想出来的，而是在作品、用户和反馈里试出来的。
"写作与独特视角"，则是在帮你保存判断。写作不是包装自己，而是逼自己说清楚：为什么看好这条路，什么证据会证明我错了。
给自己建一套职业雷达，但别把信息摄入当工作
想找到高质量团队，可以建立一张长期观察清单。
每天扫 X、newsletter、顶会和开源项目；每周看顶级机构在投什么、优秀团队在招什么；再把值得跟踪的公司放进清单，持续观察三件事：
• 技术深度：是在接壳，还是形成了别人难以复制的能力？
• 护城河：每次交付之后，数据、工作流和产品有没有积累？
• 真实反馈：有没有用户持续使用、付费、抱怨和提出新需求？
但别把"每天看很多信息"误当成成长。
信息雷达只负责发现机会，真正的职业资产来自后半段：做实验、留证据、收反馈，再聚焦。
我建议给自己设一个很朴素的节奏：
• 每天记录一个值得继续验证的判断；
• 每周完成一个小实验，而不是再收藏十个工具；
• 每月交付一个可以公开展示的成果；
• 每季度删掉一条不再相信的方向。
最后这一条很重要。
成长不仅是不断增加，也包括主动放弃。你愿意放弃什么，才暴露你真正相信什么。
最后
AI 时代不会缺新岗位，也不会缺新名词。
今天是 FDE，明天可能又出现新的角色。岗位名称会变，真正值钱的底层能力却很稳定：发现问题、快速做出东西、接受真实反馈、形成独立判断，并且在一条主线上持续积累。
所以别再只问：下一个热门岗位是什么？
更值得问的是：
三年后，当工具再次换一轮，我手里还剩下什么？
如果答案是一组真正解决过的问题、几个仍在运行的作品、一批愿意给你反馈的用户，以及一套越来越清晰的判断——
那你就没有追着风口跑。
你在让风口替你积累资产。
参考资料：
• OpenAI：Forward Deployed Engineer 职位说明
• AWS：Forward Deployed Engineering 计划
— 完 —