# Jobs

这里持续收集北京大厂 Agent / LLM 相关岗位要求。

重点不是保存 JD 原文，而是分析市场正在要求哪些能力、哪些能力正在变成基础门槛、哪些方向值得补论文和实验。

## Structure

- [items](items/README.md): 每条岗位一个 Markdown 文件
- [schema](schema.md): JD 笔记字段和写法
- [source-registry](source-registry.md): 来源优先级、目标公司、搜索方式
- [skill-taxonomy](skill-taxonomy.md): 岗位能力标签体系
- [market-insights](market-insights.md): 周期性趋势总结

## Collection Questions

- 北京大厂有哪些 Agent / LLM 相关岗位？
- 这些岗位反复要求什么技能？
- 哪些技能是硬门槛，哪些是加分项？
- 不同公司对 Agent 的理解有什么差异？
- 哪些岗位要求能反哺到论文阅读、实验和项目规划？

## Workflow

1. 收集岗位链接或原始 JD。
2. 用 [jd-note](../templates/jd-note.md) 建立结构化笔记。
3. 按 [skill-taxonomy](skill-taxonomy.md) 打标签。
4. 更新 [market-insights](market-insights.md)。
5. 把稳定结论回流到 `docs/`、`papers/`、`experiments/` 或 `projects/`。

## Initial Scope

- time window: 滚动最近 6 个月，优先全量收集范围内岗位
- location: 北京优先
- companies: DeepSeek、腾讯、字节、阿里、百度、美团、快手、京东、小米、商汤、智谱、月之暗面等
- role keywords: Agent、LLM、AIGC、大模型应用、RAG、AI Infra、模型评估、智能体、代码智能、AI 产品

## Primary Goal

JD 收集的主要目标是观察岗位需求变化：

- 同一公司是否从研究转向产品落地。
- 同一岗位是否开始要求评估、数据飞轮、Agent 工程化或部署能力。
- Agent 相关词汇是否从加分项变成硬性要求。
- 北京岗位和其他城市岗位是否体现不同团队布局。