人才市场 / 看需求，也看薪资 AI时代的“新”人才画像
招聘在分化，AI能力走进传统岗位
机会不限于模型研发，销售、制造、财会、供应链也在出现AI技能溢价。
01 / 全球 · PwC
AI技能获得更高定价
约 62% 招聘薪资溢价
2026报告整体：27国及地区 / 10亿+广告
职位广告增速 · 2024→2025
02 / 中国 · 前程无忧
传统职能也有薪资差异
AI相关岗位 vs 普通岗位 · 2026年6月报道
0% 统一刻度 50%
03 / 中国 · 猎聘与智联
需求延伸到产品与应用
猎聘招聘平均年薪 / 万元 · 2025报告
29.6万 要求会用AI
vs 21.8万 未要求会用AI
智联职位数同比 · 2026上半年
−20% 平台招聘率较疫情前
约130万条 AI相关职位发布
专业能力＋AI协作，正在成为新的招聘信号。
读懂这页数据 ↗ 展开讲解与口径说明 这页将五个来源分别呈现：PwC看全球招聘广告增长与薪资，前程无忧看中国传统职能薪资差异，猎聘与智联看中国招聘薪资和核心岗位需求，LinkedIn补充整体招聘与新角色。条形图都从零开始；不同图各自标明指标与时期，不共享时间轴。
“要求会AI”和“未要求会AI”是职位广告要求，不是直接测量求职者会不会AI。PwC第11页方法为行业内分组比较，不足以证明同岗同级仅因AI能力产生工资差距。前程无忧是职能分组，完整方法仍未取得；猎聘也是两组广告均值。
不把2024报告的25%与2026报告的62%连成增长线：前者主要对应美国，后者是跨行业平均。LinkedIn的130万是职位发布计数，非净新增就业；其招聘率指标也不等于职位发布数，不能与PwC的增长相减。点击“读懂这页数据”可逐项查看原文与边界。
相关原文：PwC / PwC／Lightcast / 前程无忧／澎湃新闻转引（新浪转载） / 猎聘／北京日报转载澎湃报道 / 智联招聘／中国经济周刊转引 / LinkedIn Economic Graph / LinkedIn官方新闻室 / PwC
人才变化 / 跨界与AI原生习惯 AI时代的“新”人才画像
岗位边界变宽，新一代已把AI当作日常伙伴
工作方式 / 从职能分段到跨端交付 一个人＋AI，能跨更多环节 Web / Android / iOS / 后端 / 测试
跨端做出成果，再用专业判断把关
驾驭AI 组织执行、验证纠偏
架构与判断 权衡体验、成本与可靠性
行业Know-how 理解业务，发现值得解决的问题
边界变宽，专业深度与设计品味仍然重要。
讲者亲历 / 我的小学生儿子 他通过对话，认识新东西 每天回家和AI聊， 从“查一个答案”
面试和课堂要看：会不会追问，也会不会核查？
这是一个孩子的习惯，不代表整代人的能力。
展开讲解与口径说明 我带团队这些年，分工往往是Web、Android、iOS、后端和测试各管一段。现在，一个人结合AI可以跨更多环节；研发要懂产品，设计师也能直接做交互Demo。但跨端能跑，不等于每个环节都达到专业水平。审美、架构、性能与维护仍需要积累，AI让语法门槛降低，专业判断的价值更突出。
我儿子还是小学生，每天回家和AI对话，把它当朋友，新知识常常从聊天里接触到。这是我家的观察，不是说下一代天然更会提问、更懂AI。他们的使用起点和我们可能很不一样。我们不能只问用没用过工具，而要看他怎样追问、核查、解释自己的理解。这个问题同时留给面试官和老师。
入门路径怎样变化 AI时代的“新”人才画像
入门台阶在变，新的路径正在出现 第一层 / 资历分化 · 美国企业研究 初级就业降幅约9% 主要通过少招新人调整；资深就业未见同样下降。
作者稿，2026-05-25 ↗ 第二层 / 初级员工内部的院校分组 中间档位降得更多，两端较少 第1档降幅较小
第2档显著下降
第3档降幅最大
第4档显著下降
第5档降幅较小
U型是就业影响系数的形状，非年龄曲线；各档均为下降。
附录A.19 / 原图与分组方法 ↗ 另一条路径：先做作品，再获得机会 少年个案展示“能力可以更早被看见”，
院校标签之外，更要看本人能否交付与验证。 展开讲解与口径说明 过去，很多年轻人先拿到第一份工作，再慢慢积累交付经验。现在这条路正在发生变化。一项美国研究发现，采用AI的企业初级就业人数相对更少，主要通过少招新人调整。
但另一边，我身边确实有没读大学的年轻人，靠AI接单，做到年收入数十万，甚至上百万。这是我身边的真实案例，不代表普遍情况。
我想说的不是学历没用了，而是能力可以更早被看见：你做出了什么，谁愿意用，你能不能把结果讲清楚。对学校来说，要让学生在毕业以前，就经历真实任务、反馈和完整交付。
两张图为我提供的媒体截图，用来展示较早开始做作品的路径。截图中的年龄、收入、项目成果不能仅凭图片核实，不把收入数字作为本页已验证数据，也不把两个截图人物自动当成前述亲历案例。
本页分两层。第一层是初级与资深就业分化；第二层是初级员工内部，按院校声望五档分组。作者稿附录A.19显示，第3档降幅最大，第1与第5档降幅较小，2与4档也显著下降。这并不是两端就业上升，更不是低学历有优势。分档由GPT-4o-mini按声望生成，不是官方大学排名；第3档指较强的全国或区域院校，不能直接翻译成中国二本。该分析排除了最近学历为高中的岗位。少年截图是另一条路径的个案，不属于图中的一端。
口播：这不是简单地说年轻人赢了、中年人输了。企业压缩部分初级任务，资深岗位没有同样下降；初级员工内部，中间院校档位受影响更大。但作品又给一些年轻人开了新入口。所以我们要培养能解决问题的人，不能只靠一张学历标签判断未来。
相关原文：Hosseini、Lichtinger／哈佛经济学博士生工作论文 / INSEAD／Kim、Koning
面试变革 / 从答案到过程 AI时代的“新”人才画像
面试范式迁移：从看答案到看过程 专业基础继续考，AI协作过程必须看。
01 · 现场任务 手写算法 · 知识问答 · 白板架构 观察个人作答与专业基础
02 · 判断依据 答案对不对，方案讲不讲得通 还需补充实际交付证据
03 · 追加追问 这道题你会不会？ 为什么这样设计？
01 · 现场任务 打开电脑投屏，与AI完成任务 拆问题 → 给上下文 → 验证 → 迭代
02 · 判断依据 规则怎样定义，结果怎样验收 追问：本人做了什么判断？
03 · 追加追问 AI哪里可能错？ 新条件来了怎么改？做坏了怎么恢复？
从“你知道什么”，进一步看到“你怎样把事做成”。
展开讲解与口径说明 这页我想把新老面试放在一起看。过去我们让候选人手写算法、回答知识问题、在白板上讲架构。这些能考专业基础，也能考推理，不是只有记忆力。但如果面试只停在答题，我们还是不知道他在真实工作里怎样把事情做成。
所以我现在加一个动作：请打开电脑，投屏，和AI一起完成任务。我看你怎么拆问题、给上下文、验证结果、迭代纠错。以前追问“为什么这样设计”，现在还要追问“AI哪里可能错，你拿什么证明？新条件来了，哪些地方要改？做坏了怎么恢复？”
工具熟练度很快能看见，判断力要在错误和变化中验证。不能凭三十秒的熟练操作，或者一句对AI乐观还是悲观，就决定录用。专业基础仍然要考，投屏只看本次演练，不翻私人对话。
现场演练 / 30分钟 AI时代的“新”人才画像
30分钟Demo挑战：给运营做一个批量发券工具 模糊需求：“做一个内部工具，让运营能批量给用户发优惠券。”
01 · 业务目标 发给谁？发什么券？
02 · 范围约束 多少人？总额度？
03 · 操作与异常 谁能发？失败怎么办？
15分钟 与AI做Demo 预览 → 提交 → 查状态
追加场景 100人里60人已发券，任务中断。点“重试”，怎么办？
只说“做幂等”不够：证明没有漏发、多发。
题面与评分参考 ↗ 展开讲解与口径说明 日期题能考边界，但听众先得理解续费规则。这次换成大家更容易理解的场景：给运营做一个批量发优惠券的工具。我故意只给一句需求，先不让候选人写代码，给五分钟说清楚自己要确认什么。
给哪些用户，发哪种券，有没有额度限制？谁能发？导入名单重复了怎么办？这些问题不是术语考试。关键是能不能把业务约束变成AI能执行的任务和验收条件。面试官在第五分钟统一给出规则，保证每个人有相同的实现条件。
然后十五分钟和AI做一个能跑的Demo，七分钟实际验证，最后三分钟讲结果。我追加一个场景：一百人里六十人已经收到券，任务中断了。运营点重试，你怎么办？只说“做幂等”不够，要实际展示哪些人成功、哪些失败、哪些结果还不知道，以及如何确认重试没有多发或者漏发。
我们提供起始项目和模拟发券服务，不要求半小时做完整生产系统。面试要看澄清、实现、验证的过程，不能只看页面漂亮不漂亮。这是一个观察能力的演练设计，还需要结合专业经验和其他面试证据。
完整题面、统一业务规则、工程追问与评分参考，请点击本页的“题面与评分参考”按钮。实施面试前，由面试方准备可运行的小项目与统一工具环境；本网页提供演练设计，不包含项目代码。
面试深水区 / 七类追问 AI时代的“新”人才画像
七类追问：把“我会用AI”问成具体证据 02 上下文与机制 Harness给模型配了什么？每轮上下文从哪里来？
03 实战验证 哪一次你没有接受AI结果？依据是什么？
06 成本取舍 Loop凭什么继续、重试或停止？预算怎样控制？
看懂Harness、Loop与上下文：架构简图 →
讲清问题、拿出证据、说明纠正过程。
展开讲解与口径说明 “我会用AI”太容易说了，我会继续问：为什么选这个工具？哪次你没有接受它的结果？出错以后，你怎么确认原因？
Replit公开过一次代理删除数据库数据的事件，代理还没有有效引导用户找到恢复路径。最后数据完整恢复了。所以我会问：你让AI干活时，它能改哪里，改坏了怎么恢复？
还有两个问题我很看重：继续试下去，还能得到什么新信息？最近哪次实践改变了你的用法？三轮还是十轮，不是评分标准。关键是你有没有获得新证据、缩小问题、调整方法。夸AI还是骂AI都不重要，判断的依据才重要。
工程岗位可以追问Harness、Loop engineering和上下文管理，但不是考名词。请候选人画出自己用的系统：模型收到什么、能调用什么、如何得到反馈、什么时候停止。工具使用者能解释操作与验证即可；平台或Agent岗位再深入状态、预算、恢复与评估。
相关原文：Replit
新人才画像 / 三维协同 AI时代的“新”人才画像
专业基础之上，三种能力要看得见 AI商 / 判断力
AI哪里可能错？ 识别假设 · 构造反例 · 验证纠正展开案例 ↗ 专业基础
提问力 / 问题定义
到底要解决什么？ 目标 · 上下文 · 约束 · 验收条件展开案例 ↗ 整合力 / 完整交付
怎样把结果接起来？ 分工 · 依赖 · 集成 · 运行与维护展开案例 ↗ 专业理解帮助你判断：什么值得做，什么算做好。
展开讲解与口径说明 最后，把前面的面试观察收成三种能力。AI商，是能看出它哪里可能错，知道怎么验证；提问力，是把真正的问题、目标和约束说清楚；整合力，是把零散结果接成完整交付。
我们团队会让AI连真机跑端到端测试，做视觉比对，再交叉审查。但几个AI都说没问题，还不够，业务规则和真实运行结果要对得上。
这三种能力都需要专业基础。工具会不断变，行业经验也要更新。我要找的人，不只是会调工具，而是知道什么值得做、什么算做好，并且能和AI把它做成。
机制理解 / 从会用到知道为什么 AI时代的“新”人才画像
看懂AI怎样干活：Harness、Loop与上下文 模型负责生成下一步；Harness把任务、工具、状态与检查组织成可运行的系统。
Harness / 模型外围的运行系统 权限与环境 · 状态与恢复 · 预算与停止条件 上下文管理 本轮必需：目标与约束＋相关材料＋最新反馈
检索、筛选、更新；原始记录存到外部，不把所有历史塞进提示词 01 / 模型 决定下一步 计划 / 选择动作
→ 02 / 工具 执行动作 读写 / 调用 / 测试
→ 03 / 证据 观察结果 日志 / 状态 / 差异
↶ 带着反馈进入下一轮 更新状态与上下文，修正下一步
通过验收 → 交付 无进展 / 超预算 / 风险操作 → 暂停或请求人工处理
展开讲解与口径说明 这张图是帮助面试沟通的简化模型，不是要求每个人手写一套平台。Harness是围绕模型的运行系统。Loop是其中反复决定、执行、观察的控制过程。上下文管理决定每一轮让模型看到哪些信息。
以发券为例：把活动规则和本轮状态给模型；工具先查询已经成功的名单，模型再决定下一步；遇到超时要看外部记录，不盲目重发。工具权限、失败恢复、预算和验收都要有人设计。Loop engineering指对这些反馈、重试与停止逻辑的设计，不是“让AI无限循环”，也不是必须新增一个职位。
画清楚最小循环、定义停止条件，起步门槛并不高；稳定支持生产环境还要考虑可观测性、权限、成本和恢复，不能承诺整体成本很低。面试按岗位深度追问，而不是背术语。
相关原文：Lilian Weng · Lil’Log / Sam Schillace · Sunday Letters
团队协作 / 定义、执行与验收 AI时代的“新”人才画像
协作方式变了：从分头执行，到人带AI共同交付 旧协作 / 常见的分段交接 排好期，各自做，最后再合 Leader拆需求、分任务、排期
↓↓ ↓
产品 / 设计 写文档、出稿
研发 各自编码实现
测试 按交接结果测试
↓↓ ↓
后期集中联调与验收
分段交接时，假设和接口偏差可能较晚暴露。
新协作 / 讲者团队的实践 共同定义，人带AI，持续集成 共同讨论 → Demo＋Spec＋接口＋验收标准
↓↓ ↓
产品 / 设计＋AI 验证流程与体验
研发＋AI 实现与关键路径验证
测试 / 运营＋AI 反例、效果与证据
↓↓ ↓
负责人＋AI：持续整合、验证全局结果
↶ 发现差异，回到共同Spec修正，再进入下一轮。
我们的节奏 白天定义 → 下班前审Spec → 夜间AI执行 → 次日上午Showcase验收
员工派发、监督、验收；负责人把子任务接成完整结果。
分工细节与交流附件 ↗ 展开讲解与口径说明 以前排好期，每个研发领一块回去做。现在先一起把业务问题、方案、接口和验收条件讨论清楚。产品带着Demo评审，设计从一开始参与体验；PRD说业务规则，TRD说技术约束，再共同审查开发计划。Demo代码适合就复用，不适合就重新工程化。
然后每个员工带着AI完成一个子任务：人派任务、人监督、人验收。这组人加AI就像大项目的一个sub-agent。负责人也结合AI持续整合，不能等所有人最后把结果堆过来。产品和设计看用户价值，研发看性能稳定性，运营看真实增量与成本。
我们一些同事的节奏是：白天理解业务、定义问题，下班前审好Spec，晚上让AI执行，次日上午Showcase验收。是惊喜还是惊吓？先纠偏，再定义下一轮。在线讨论也好，办公室结对也好，关键是共享目标和关键上下文；执行可异步，验收不能缺席。
图左是常见分段交接方式的简化，不是说过去所有团队都如此；成熟团队本来也会持续集成。图右把AI纳入执行，但重点仍是共同定义、共享接口、每个员工验收自己的子任务，以及负责人验证全局。人加AI可以类比项目中的工作单元，不意味着每个人必须搭一个软件sub-agent。在线共审关键决策，执行可以异步，不要求全天围着一个屏幕。
相关原文：Anthropic / GitHub / Anthropic
效率与回报 / 2026证据与团队实践 AI时代的“新”人才画像
AI提效，要分清速度、价值和利润三笔账 METR · 2026年2—4月 / 349名技术工作者自报
做得更快，价值未必同比增加 两项均由技术工作者自报，取中位数；不是员工与老板两组对比。
讲者亲历 / 维护成本会后移 写了一个多月， 架构偏差、死代码与规则冲突
麦肯锡2026 · 97国、1,719名受访者 / 以下是受访者占比，不是提升幅度
80%
的人说自己工作更高效 不是“效率提高80%”
37%
的人说AI有企业利润贡献 不是“利润提高37%”
6%
的人达到“高绩效”门槛 AI贡献至少5%的息税前利润
同等质量下，算清等待、审查、集成、返工与运行成本。
研究原图、2025对照与测量方法 ↗ 展开讲解与口径说明 现在大家体感比去年快很多，这个变化应该承认。METR在2026年调查349名技术工作者，自报速度提升中位数是3倍，工作价值提升是1.4到2倍。注意，都是自报，也不是同一个指标。AI把一件以前不值得做的小事做快了，不等于业务价值也增长同样多。
麦肯锡2026年报告里，80%的受访者说个人提效，37%说AI对企业息税前利润有正贡献，6%符合研究的高绩效定义。样本有不同层级，不是1719名高管。三个数回答不同问题，不能说43%被返工吃掉，更不能说剩下的企业全都亏损。
我自己的例子是：写了一个多月，后来又删了约10万行。架构偏了、死代码多、规则打架，维护负担会在后面出现。这说明要测量，不能直接证明所有团队长期降效。2025年METR的反差实验和2026年的更新放到扩展资料，不再拿早期工具代表今天。
我会看同等质量下有多少需求真正被验收和采用，等待、审查、集成、返工和运行成本都算进去；两周后、一个月后还要回看质量。
口播：这里有两份不同调查。METR问同一批技术工作者，大家自估工作速度变成原来的3倍；换成工作价值来问，中位数是原来的1.4到2倍。这两个数都不是企业财务核算。麦肯锡则问有没有效果，80%的人说自己更高效，37%的人说AI对企业利润有正贡献。6%是跨过更高门槛的受访者：把至少5%的企业息税前利润归因于AI，而且认为价值显著。不要说效率提升80%、利润提升37%。
我的观点：做得快、做得值、企业赚到钱，是三个不同问题，要分别验证。
相关原文：METR / METR / METR / McKinsey／QuantumBlack
质量与技术债 / 故事后的证据 AI时代的“新”人才画像
写得快之后，谁来守住质量？
用户提供的示意图，非实测曲线 · 点击看原图 微软.NET / 一次被审查拦截的修改 测试全绿，也可能改错了方向 需求有问题 → AI改实现，也改了原有测试
工程师发现：原行为是有意设计 → 关闭修改
Sonar 2026报告：该题n=1,136，多选自报，非缺陷率。
验收进入日常工作 先核对目标和标准，再验证关键路径；
展开讲解与口径说明 前一页是我删掉十万行代码的亲历。这张图用夸张的方式提醒我们：能把程序跑起来，信心会增长得很快，但理解不一定同步。它是示意图，不是实测曲线，也不是说所有Vibe Coding都会出事。
微软.NET的公开案例更具体：需求本身有问题，AI改了实现，也改了原有测试。资深工程师发现，旧测试记录的是有意保留的行为，于是关闭修改。这是审查成功拦截，不是线上事故。先确认验收标准，再谈测试通过。
Sonar调查里，53%提到代码看似正确却不可靠，40%提到多余重复代码，同时93%也报告至少一项正面作用。这些是多选感受，不能当缺陷率或相互加减。收益和维护负担可以同时出现，所以我们要求自查、小步集成、定期清理代码和规则。
案例来自微软.NET团队2026年3月23日的公开复盘，对应2025年10月11日的PR #120638。它展示的是工程审查成功拦截不合适的修改，不能写成AI蓄意篡改测试或已经造成线上事故；作者也肯定AI帮助调查的价值。
现场演练宜提供已准备好的可运行项目。评价澄清、修复、实测和复盘，不以脱稿流畅度或对话轮数代替判断。一次生成后充分验证可以得高分，反复对话却不核实也可能没有进展。测试通过之前，还要确认业务规则和验收标准本身是否正确。
Sonar《2026 State of Code》的调查实际在2025年10月完成，总样本1,149人，技术债多选题有效样本1,136人；53%和40%是选择相应问题的受访者比例，不是代码缺陷率。报告也有93%至少报告一项正面作用，不能单凭负面选项判断净技术债必然增加。DORA于2026年3月10日分析Google工程师2025年第三季度的1,110条开放回答，描述生成时间向验证和审查转移，并非所有人都降效。
生成者可以自查，重要交付还需实际执行、业务规则、反例与负责人审查等独立于生成结论的证据；换一个agent也可能共享错误假设。企业应并列观察周期、返工、故障、成本和业务结果，不能以代码行数、Token消耗或PR数量代替生产率。集中清理可以定期安排，关键问题应随任务处理。
相关原文：Microsoft／.NET团队 / dotnet/runtime / Sonar / DORA／Google
人的价值 / 把判断变成负责任的行动 AI时代的“新”人才画像
AI参与执行与判断，人要承担什么？
我招聘时，会把这五件事问清楚。
01 责任 谁能批准交付？
02 利害与取舍 谁承担成本与风险？
03 目标 为什么值得做？
04 品味 哪个更适合用户？
05 信任 怎样说明承诺与边界？
让AI参与分析、生成和验证，让人承担取舍与承诺。
展开讲解与口径说明 AI越来越能执行，也能参与推理和判断。人的价值不能简单建立在“AI永远不会某件事”上。我更愿意看五件事：责任、利害与取舍、目标、品味、信任。
AI可以建议目标、生成方案，也能帮助评估审美和验证结果。但在组织里，谁有权批准，谁承担成本，谁向客户作了承诺，必须说清楚。人也会误判，谨慎不天然等于正确；需要专业知识、反馈和实际证据来校准。
所以我问候选人的不是一句“你敢不敢签字”，而是：你依据什么接受这个结果，哪些情况不能签，出了问题准备怎样处理？AI可以参与判断，责任和承诺不能交给模型。
与老师们交流 / 家庭学习小尝试 AI时代的“新”人才画像
一个家庭学习小尝试：和孩子一起探索乘法 展开讲解与口径说明 这是我给儿子写的乘法学习工具，截图就是本地真实运行的页面。这张完整截图中，上面点一下乘法表，看每次增加多少；下面把几组数量合起来，让加法与乘法、减法与除法联系起来。
我想让孩子不只记住3乘4等于12，还能解释它是什么，为什么换方向总数不变。展示动画只是第一步，接下来要让他自己说、自己做，再换题验证。这个工具是我的实践，并没有研究证明它已经提高了成绩。
老师可以用类似思路设计练习：将抽象难点变成可操作对象，提供反馈，再保留独立检验。全球正反案例和原文在扩展资料中。
相关原文：Scientific Reports / Kestin等 / PNAS / Bastani等 / 世界银行
给高校 / 同时验收成果与学习 AI时代的“新”人才画像
同样用AI，为什么有人学会，有人只交出答案？ 最有说服力的对照：同一项数学随机实验，比较两种AI使用设计。
GPT Base / 普通聊天式帮助 能拿到完整解答 学生常请求并复制解答，
+48%辅助练习 −17%撤去AI后考试
GPT Tutor / 有教学约束 引导学生自己解题 主要提供提示，限制直接给答案，
+127%辅助练习 约相当独立考试与对照组
正面证据 / 哈佛物理 · 194人 定制AI导师：所测单元学习增益更大。
论文原文 ↗ 风险证据 / 中国 · 26,811人 作业+18%，六个月内月考−20%。
研究原文 ↗ 看学生是否亲自解释、练习和纠错，再检查独立表现。 研究边界 ↗ Gabriel与问题驱动学习 ↗
展开讲解与口径说明 这次不只拿一个成功人物对比一组失败学生。我先讲同一项随机实验：土耳其高中数学，普通GPT组练习高48%，收起AI考试低17%；有教学约束的Tutor组练习高127%，但独立考试约和对照组相当。请注意，后者是避免了损害，不是证明考试能力额外提高。
为什么？论文中的交互记录显示普通组更常请求和复制完整解答，Tutor组更多寻求帮助、自己尝试。设计是否让学生经历思考很重要，但这不意味着只改一句提示词就保证所有学生都学好。
哈佛194人物理实验提供正面证据，中国26,811人的追踪提供风险证据。研究不止一篇，而且有原论文；不同情境不能直接比较大小，也不能把中国研究写成随机实验。
从真问题开始，向下补基础，再关掉提示独立做回来，这仍然是我的建议。Gabriel的经历保留在扩展资料：他在加入OpenAI前已有多年工程实践，不是只有学历标签或对话次数。
相关原文：PNAS / Bastani等 / Scientific Reports / Kestin等 / CEPR / Strömberg、Lei、Wu / Gabriel Petersson本人
交流探讨 / 产教融合与生态人才培养 AI时代的“新”人才画像
关于华为产教融合生态的一点思考
在ICT学院、课程与竞赛基础上，真实项目能否更紧密地连接育人与用人？
01 / 企业出题 真实场景走进课堂 华为与生态伙伴提供脱敏场景
02 / 师生共做 企业工程师与老师共同探索 企业工程师与教师共同带项目
03 / 企业验收 如何看见理解与纠错？ 演示结果、个人答辩、追加条件
04 / 衔接用人 让项目经历成为用人参考 经学生同意，将作品与评价用于
一个可探讨的方向：设备故障知识助手 脱敏手册与工单，回答附依据；资料不足时说明不确定。验收看答案正确性、故障场景表现和用户反馈。
展开讲解与口径说明 华为已经有ICT学院、课程和竞赛等人才培养基础。站在企业面试官角度，我想分享一点思考，和老师、企业同仁一起探讨：真实项目的评价与用人，是否可以连接得更紧密？
第一，华为与生态伙伴共同出题，带来脱敏后的真实场景、业务约束和验收标准。第二，让企业工程师和老师一起完成一次项目，再共同指导学生，老师也获得工程实践。第三，验收作品之外，还要看个人答辩、纠错记录，现场换个条件，看看学生是不是真的理解。第四，经学生同意，将这些项目证据用于实习和招聘，再把入职后的表现反馈给课程。评价标准可以共享，学生材料应有授权和范围控制。
比如试点一个设备故障知识助手，用脱敏手册和工单，要求回答有依据、资料不足时知道何时不能回答。让真实使用者反馈有没有帮助。除参与人数、证书和获奖情况，还可以观察独立解释与迁移表现、成果被采用的情况，以及实习后的岗位适应。这是我个人的思考，欢迎大家交流指正，不代表对华为现有体系的评价。
相关原文：华为官方
带走三个动作 / 明天就能开始 AI时代的“新”人才画像
时代在变，让我们主动改变自己 与AI共生，是持续学习，也是在行动中校准自己。
保持好奇，敢于使用。 善于纠偏。 承担结果。
面试官 / 下一道考题 看见思考过程 允许AI，追加条件，追问证据
负责人 / 下一次交付 改变协作方式 共同定义，人带AI，验收结果
教师 / 下一次作业 让能力留在学生身上 做出作品，独立解释，迁移应用
谯洪敏 · 让AI扩大我们的能力，让学习与责任留在自己身上。 延伸阅读：新技术为什么总让人担心 ↗ 完整资料与来源 ↗
展开讲解与口径说明 最后，我想讲的不是再背几个AI术语。时代已经在变，我们要主动改变自己：把AI用起来，把新的方法试起来，把不懂的地方学起来。
拥抱变化，不等于每一次输出都相信；保持判断，也不是停在一旁只挑毛病。我们和AI、和其他人一起工作：AI帮助扩大探索和执行的范围，人共同定义值得做的事情，用证据纠偏，承担对用户和社会的承诺。
过去人们也曾担忧小说、广播、电视和新媒介。这提醒我们不要只靠恐惧下判断，但不是说风险都不存在。好的回应是亲自参与、认真研究、调整设计。
面试官改一道考题，负责人改一次协作与验收，老师改一次作业。让AI扩大我们的能力，让学习与责任留在自己身上。我们要培养、也要成为的，是能发现问题、定义问题，和AI一起把事情做成的人。谢谢大家。
相关原文：Amy Orben / Perspectives on Psychological Science
www.ai-nav.space
Codex AI导航 ↗
OpenCode AI导航 ↗
