DeepSeek招聘全景拆解：33个职位看AGI公司的技术版图

DeepSeek招聘全景拆解：33个职位看AGI公司的技术版图

一家AGI公司到底在招什么人？哪些方向是核心投入？从职位分类和任职要求里，可以读出比PR稿更真实的技术路线图。

DeepSeek招聘官网 目前挂出了 33个在招职位，分布在 6 大技术类部门和 6 个职能子类中。岗位从「预训练研究员」到「IDC 数据中心团队」、从「Agent Harness 研发」到「情感智能数据 PM」，覆盖了一家大模型公司从底层算力到用户界面的完整技术栈。

下面逐层拆解：先看职位全景图，再逐个部门挖任职要求里的关键词，最后从招聘信号推断 DeepSeek 当前的战略优先级。

本文提纲

  1. 职位全景：7大部门 33 个岗位分布图
  2. 全栈开发/算法（9岗）：从线上服务到 Agent Harness 的应用层
  3. AI 核心系统研发（4岗）：训推框架、算子、存储、超算的基础设施层
  4. 深度学习研究员（4岗）：预训练 / 后训练 / 多模态 / Frontier 的算法攻坚层
  5. 模型数据策略（5岗）：Agent、Code、创作、情感、专业领域的数据产品矩阵
  6. 运维（3岗）+ 产品部门（2岗）：平台稳定性与用户体验
  7. 职能部门（6岗）：HR、法务、财务、采购、行政和 AGI 管培生
  8. 技术要求横向分析：编程语言、核心能力、加分项趋势
  9. 从招聘看 DeepSeek 的三个战略投入信号

职位全景：7大部门 33 个岗位分布图

先把 33 个岗位按部门和地点整理出来。工作地点集中在北京和杭州，乌兰察布只出现在 IDC 和采购两个岗位——这和乌兰察布是国内重要的算力枢纽直接对应。

MERMAID_BLOCK_0

按部门计数排序：

部门 岗位数 占比 地点
全栈开发/算法 9 27% 北京/杭州为主
模型数据策略 5 15% 北京/杭州
AI 核心系统研发 4 12% 北京/杭州
深度学习研究员 4 12% 北京为主
运维 3 9% 北京/杭州/乌兰察布
产品部门 2 6% 北京/杭州
职能部门（HR/管培/法务/财务/采购/行政） 6 18% 北京/杭州/乌兰察布

技术类岗位 27 个占 82%，职能类 6 个占 18%。职能岗占比不低，说明 DeepSeek 已从纯研发团队进入需要完善组织支撑的规模化阶段——尤其是专门加了 AGI 核心业务管培生 这一条线，明显在储备未来的业务负责人。

全栈开发/算法（9岗）：从线上服务到 Agent Harness 的应用层

这是岗位最多的部门，9 个岗位覆盖了从线上核心服务到 Agent 产品的全应用层。细分方向如下：

MERMAID_BLOCK_1

挑两个最有代表性的岗位展开。

1. 服务端开发工程师：三个方向，三种不同的工程语境

岗位名后面直接写了三条路径——大模型研究中台、线上核心服务、数据仓库——同一个岗位名下其实是三套完全不同的技术语境：

方向 核心职责 关键要求
大模型研究中台 与研究员协作、研究基座平台建设、实验可观测可视化 分布式系统 + 高并发架构、快速迁移不同技术栈
线上核心服务 千万日活用户的应用/API 架构、性能优化、研发效能工具 扎实计算机基础、常用数据结构与算法
数据仓库 数据管道（离线/实时）、流处理系统、架构与稳定性建设 1~5 年数仓经验、SQL + 至少一门编程语言、良好代码品味

三个方向的共同要求只有一条：良好的学习能力和开拓创新精神，有责任心，积极主动，肯钻研。具体技术栈反而放在加分项里——这在大厂招聘里非常不常见，说明 DeepSeek 选人的逻辑是「基础素质优先，具体技术栈其次」。

加分项也有信号：大型开源软件深度贡献、信息学/数学/CTF 竞赛奖项。两个指标都是在筛选「代码品味好、能啃硬骨头」的候选人，而不是「能写 CRUD 就行」。

2. Agent Infra 研发工程师：给 Agent 造「居住环境」

这个 JD 的开头就不一样——它不先说「我们要做什么产品」，而是先介绍 DSec：

DSec 是我们为 Agent 量身定制的云平台，托管着成千上万个沙箱环境，正有序推进着下一代模型的迭代。

注意关键词：「成千上万的沙箱」、「无监管全自动运行的 Agent」、「修改整个系统栈——从操作系统到虚拟机，再到各级网络和存储」。

六个可选方向每一个都值得划重点：

  1. 虚拟化环境：大规模 VM 集群，多样 OS 配置和硬件方案
  2. 容器化：加固隔离、缩小逃逸面、降低沙箱资源占用，支持更高效的模型训练
  3. 临时存储：专供沙箱的块设备和共享卷方案
  4. 虚拟化网络：超大规模虚拟网络，允许 Agent 在不离开物理边界的前提下互相通信
  5. 云服务：混合云架构、可观测平台、日志系统、控制面
  6. 可观测性和高可用性：节点自动上下线流程、应急响应机制

任职要求的基础背景写的是 「倾向 Rust / C / Python」——在系统编程岗里把 Rust 放在 C 前面，这本身就是个技术选型信号。

更有意思的是「满足下列任意一条即可」这五条，几乎是在给系统方向的候选人画能力画像：

  • 能清晰描述一次文件写入从调用到落盘的全过程（计算机体系结构功底）
  • 清楚大规模分布式系统的架构瓶颈和 trade-off
  • 会用压测和可观测性工具定位多层级复杂问题
  • 理解可靠系统设计，有意识地确保前人事故不重演
  • 有大型系统自动化运维和应急响应经验

加分项里甚至出现了 OSDI、SOSP、EuroSys、NSDI、ATC 系统顶会的点名。这个岗位不是在招「普通云平台工程师」，而是在招有能力从零定义 Agent 时代基础设施形态的人。JD 最后一段话写得很直白：「你来决定新时代 Agent 基础设施的形态，以及 Agent 们的生活环境。」

3. Agent Harness 团队：四个方向，一条主线

和 Agent Infra 做底层沙箱不同，Harness 团队做的是 Agent 的上层产品形态。这个岗位一口气列出了四个招聘方向：研究员、研发工程师、开发者关系（DevRel）、产品经理——这是完整的产品闭环团队配置。

四个方向的任职要求有大量重叠关键词，把这些重叠项抽出来，就是 DeepSeek 对 Harness 团队成员的统一画像：

  • 是 Agent 产品的高强度用户，深度使用过 Claude Code、Cowork、Codex、Cursor、OpenCode、GitHub Copilot、Manus、OpenClaw、Hermes 等类似产品
  • 熟悉 LLM / Agent 基本机制：LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent
  • 对 Prompt Engineering、Context Engineering、Harness Engineering 有深入理解或第一手实践
  • 熟练使用 AI Agent 工具进行软件开发，能在没有直接经验的领域做有质量保证的编程

这些关键词组合起来，其实就是 DeepSeek 对「AGI 时代的技术工作者」的定义——不是只会写固定语言的工程师，而是能把 Agent 工具融入工作流、能判断模型行为好坏、能理解从 Prompt 到 Harness 整条链路的人。

DevRel 方向的要求也值得注意：不要求有 DevRel 职位经历，「开发者、开源社区参与者、技术内容作者或其他相关背景均可」。这是一个非常务实的信号——他们要找的是真的懂技术、能和开发者共情的人，而不是只会写软文的市场人员。

AI 核心系统研发（4岗）：训推框架、算子、存储、超算的基础设施层

四个岗位，每一个都是大模型公司的「成本命门」。训练和推理效率差 10%，在万卡集群规模上就是亿级别的成本差异。

岗位 核心关键词
超算集群研发工程师 集群调度、资源管理、万卡级协同
高性能算子/通信/编译器工程师 CUDA/Triton/TileLang/Ascend C、RDMA
大模型训练/推理框架工程师 分布式训练、RL 训练系统、多模态、KV Cache 磁盘缓存
高性能分布式存储工程师 数据读写加速、高吞吐存储系统

以「大模型训练/推理框架工程师」为例，JD 里列的 5 项职责，每一项几乎都对应大模型工程的一个前沿子领域：

  1. 分布式训练推理系统：模型并行、长上下文、MoE、低精度训推
  2. RL 训练系统：异步 RL、Agent RL、OPD 等
  3. 多模态训练系统：模型结构、性能显存优化、数据读取加速
  4. 大规模推理服务：KV Cache 磁盘缓存、负载均衡策略
  5. 与算法团队协作：新模型新算法快速落地

要求部分反而写得很克制：基础扎实、代码能力强代码品味好、擅长与 Code Agent 合作、熟悉 Python/C++/Rust 之一 + 了解 PyTorch。

加分项才是真正的硬通货：CUDA/Triton/TileLang/Ascend C 算子开发、RDMA 编程、SC/ASC/ISC/PAC 高性能赛事或 IOI/NOI/ICPC 算法竞赛成绩、复现过 LLM/RL/多模态相关论文或项目。

特别留意一条额外的括号说明：「我们欢迎没有大模型经验，但计算机基础素质扎实、对 AGI 有热情的同学加入。」 这句话出现在核心系统岗的 JD 末尾，说明 DeepSeek 清楚真正顶尖的系统人才不多，愿意在「基础素质 + 热情」的前提下做内部培养。

深度学习研究员（4岗）：预训练 / 后训练 / 多模态 / Frontier 的算法攻坚层

研究员 4 个方向，按模型生命周期排的：

MERMAID_BLOCK_2

「预训练研究员」的团队使命写了四段，信息量非常大。核心观点浓缩成三条：

  1. 软硬件协同的模型结构创新 + 高效优化器 + 科学的 scaling law，是预训练算法研究的三根支柱。同时还要「探索非共识的新型网络架构」——说明在 Transformer 之外，DeepSeek 还在押注别的路。
  2. 数据是「蒙尘的富矿」，需要淘洗炼制成可用的智能燃料。数据治理体系、配比策略、多维度评估，是把世界知识、任务结构、行为轨迹、反馈信号输送进模型的确定性路径。
  3. 招聘方向明确分成 预训练算法研究 和 预训练数据研究 两个独立子方向。这不是一个岗兼顾两件事——说明数据研究在 DeepSeek 里已经升级为和算法研究平级的独立赛道。

研究员的「核心要求」里有三条整体要求，几乎可以当成 DeepSeek 研究文化的官方声明：

  • 对世界有好奇心，对 AGI 有信仰，对研究工作有极高的热情，有自己对模型行为的独特理解
  • 有严谨的科学精神，出色的研究品味，和优秀的逻辑能力
  • 有无私的团队合作精神，认同开放共进的企业文化；善于沟通，大胆质疑，平等开放，有大局观

加分项的门槛也很明确：

  • 代表作一作引用过 100（综述除外，不要求已见刊）
  • NOI/CMO/CPhO 银牌及以上 或顶尖高校院系前 5%
  • 顶尖 AI 公司/实验室核心团队一年以上实习或工作，作为主要贡献者完成了用于主线模型的研究成果
  • 对模型能力边界有敏锐判断，善于发现真实场景中的短板和失效模式

注意第三点不要求论文，要求的是「成果最终进了主线模型」——这是一个非常产业导向的评价标准，说明 DeepSeek 的研究文化不是唯 paper 论，而是非常看重「研究成果真正落地到模型里」这件事。

Frontier 研究员的岗位名后缀是 「持续学习/自进化/新范式」。这个岗放在研究员序列里而不是工程序列，说明 DeepSeek 把 Agent 的自进化能力当成算法研究问题而不是工程实现问题来攻克。

模型数据策略（5岗）：Agent、Code、创作、情感、专业领域的数据产品矩阵

5 个岗位，全是「数据 × 某个垂直场景」的组合：

岗位 垂直方向
Code Agent 数据工程师 代码领域的 Agent 数据
通用 Agent 数据产品经理 办公 / 生活 / 搜索场景
专业领域数据产品经理 小语种、医学、法律等学科
AI 创作数据产品经理 创作类数据
情感智能数据产品经理 情感与对话方向

这个部门的岗位设置本身就是一个很强的信号。DeepSeek 没有把「数据」归到研发部门做工具人，而是独立成「模型数据策略」部门，用产品经理的角色来定义每条数据方向。这意味着数据在 DeepSeek 不是「算法团队需要什么就做什么」的被动支持方，而是有独立战略方向、能主动定义数据优先级的主动驱动方。

尤其是「情感智能数据产品经理」和「专业领域数据产品经理（小语种、医学法律等学科）」这两个岗，是目前大模型公司里不那么常见的设置。前者暗示 DeepSeek 在布局对话产品的情感体验方向，后者则是在为小语种和高门槛垂类的模型能力做数据储备。

运维（3岗）+ 产品部门（2岗）：平台稳定性与用户体验

运维三条线分得很清晰：AI 平台运维工程师（杭州，平台侧）、IT 基础设施团队（北京/杭州，通用 IT）、IDC 数据中心团队（北京/杭州/乌兰察布，物理机房）。

IDC 团队同时招乌兰察布的人很值得注意。乌兰察布是国内「东数西算」工程的核心枢纽节点之一，很多大模型公司把训练集群放在那里——电价低、气温低、地质稳定。DeepSeek 在招乌兰察布本地的 IDC 团队，说明他们的训练集群不是纯租用云厂商，而是有自建或深度定制的物理机房布局。

产品部门两个岗：AI 产品经理 和 AI 产品运营（体验与服务方向）。产品经理再分两个方向：AI 产品方向（Chat 网页端/APP/开放平台）和 Agent Harness 产品方向（就是前面 Harness 团队的 PM 那条线，同一 JD 两个地方都挂了）。

AI 产品经理方向的加分项里有这么一条：「有工程背景，或能使用代码 / AI coding 工具提升自己的工作效率。」 这在传统互联网公司的产品岗 JD 里是不会出现的。DeepSeek 选产品经理的标准，默认候选人就应该会用 AI coding 工具干活——这其实是对整个行业未来产品经理工作方式的一个预判。

职能部门（6岗）：HR、法务、财务、采购、行政和 AGI 管培生

职能 6 个岗位：HR 团队、AGI 核心业务管培生、法务团队、财务团队、采购团队、行政团队。除了 AGI 管培生是北京/杭州双地，其他五个全是杭州为主，HR 和行政多一个北京。

「AGI 核心业务管培生」这个岗位单独列出来很有意思。一般管培生项目是快消或者咨询公司的传统，AI 公司很少专门设。但管培生的本质是「跨部门轮岗 + 快速成长通道 + 未来的业务管理岗储备」。DeepSeek 加了这一条线，说明他们对公司规模和业务复杂度的预期已经到了需要提前储备未来管理层的阶段。岗位地点北京/杭州双地开放，也说明这个项目不是象征性的，是要真的投入资源去做。

采购团队地点是杭州/乌兰察布双地——乌兰察布只有两个岗位，ID​C 和采购，合在一起看就更清楚了：乌兰察布有 DeepSeek 的自建机房，需要本地的采购团队来支撑机房级别的设备和服务采购。

技术要求横向分析：编程语言、核心能力、加分项趋势

把所有技术类 JD 的要求做一次横向切片，可以看到几个一致性非常高的模式。

编程语言：Python + C++ 打底，Rust 升得很快

几乎所有岗位都提到的三驾马车：

  • Python：所有算法岗、研究岗、数据岗的默认语言
  • C++：系统岗、训推框架岗、深度学习研发岗的硬要求
  • Rust：在 Agent Infra 和 AI 核心系统研发里多次出现，而且经常排在 C++ 前面或和 C++ 并列

搜索架构工程师的要求是「熟练掌握 C++ 或 Rust」——用的是 「或」 不是「和」。对于一个对性能极致敏感的搜索引擎后端岗来说，这传递的信息很明确：Rust 已经被 DeepSeek 当作可接受的系统级主语言了。

高频技术关键词 Top 10

从所有技术类 JD 里抽出现频率最高的技术关键词：

排名 关键词 出现岗位数 说明
1 Agent 11 Harness、Infra、数据、产品、研究全覆盖
2 LLM / 大模型 10 所有核心技术岗
3 分布式系统 7 服务端、Infra、训推框架、存储
4 KV Cache 5 Harness 全方向 + 训推框架 + 搜索架构
5 MCP 4 Harness 全方向产品/研发
6 Tool Use / Reasoning 4 Harness 和研究岗
7 多模态 4 研究员 + 训推框架
8 RL（强化学习） 3 训推框架 + 后训练研究
9 CUDA / Triton 3 算子/编译器 + 训推框架 + 搜索
10 RAG / 搜索 3 搜索算法 + Harness + 后训练

几个值得单独拿出来说的点：

Agent 出现 11 次，是唯一覆盖了研发、研究、产品、数据、DevRel 全链条的关键词。这说明 Agent 不是 DeepSeek 内部某一个团队的事情，而是全公司层面的战略主线——从底层的 Agent Infra（DSec 云平台），到中层的 Agent 数据策略，再到上层的 Agent Harness 产品，最后到 Frontier 研究员做的持续学习/自进化，形成了一条完整的 Agent 技术栈链路。

KV Cache 出现在 5 个岗位里，跨 Harness、训推框架、搜索架构三个部门。这不是巧合——KV Cache 的管理效率直接影响推理成本和长上下文体验，是模型从「能跑」到「能低成本跑给千万用户」的关键工程点。

MCP（Model Context Protocol）出现在 Harness 团队所有 4 个方向的要求里，产品、研发、DevRel、研究员，一个不漏。这和 DeepSeek 官方之前的 Harness 生态布局完全一致——他们把 MCP 当成 Agent 连接外部世界的标准协议，所以整个 Harness 团队都必须理解它。

加分项的共性：开源、竞赛、品味

不同岗位的加分项条目不同，但反复出现的几个母题：

  1. 开源贡献：「大型开源软件深度贡献」、「个人开源作品及开源社区深度贡献」、「活跃的开源项目维护或核心贡献经验」——几乎每个技术类岗都提了
  2. 竞赛奖项：NOI/IOI/ICPC（算法）、SC/ASC/ISC（超算）、NOI/CMO/CPhO（数学/物理奥赛）、CTF（安全）
  3. 顶会论文：研究员看 ML 顶会，系统岗看 OSDI/SOSP/EuroSys/NSDI 系统顶会
  4. 品味和判断：「代码品味好」、「研究品味出色」、「对模型行为有品味有判断力」——「品味」这个词在 JD 里出现的频率高得反常

「品味」这个词在传统招聘 JD 里几乎不会出现。它出现在 DeepSeek 的多个岗位里，其实传递了一个筛选逻辑：当技术问题没有标准答案时（比如模型结构怎么设计、Harness 产品怎么定义、系统 trade-off 怎么选），你需要靠品味做判断。这种能力没法通过八股文面试考出来，只能通过「你做过的开源项目、读过的论文、写过的代码」侧面观察。

从招聘看 DeepSeek 的三个战略投入信号

招聘岗位的设置，是公司资源分配最诚实的地图。从上面的拆解，可以读出三个清晰的战略投入方向：

1. Agent 是全公司级的主线，不是某个团队的副业

证据链：
- Agent 相关岗位 11 个，跨 6 大部门
- 从 Agent Infra（DSec 云平台，管 Agent 的「居住环境」）到 Agent Harness（Agent 的产品形态和工具链）再到 Agent 数据策略（Code Agent/通用 Agent/专业领域），最后到 Frontier 研究员做的「持续学习/自进化」——形成了一条完整的垂直链路
- Harness 团队一次性招产品/研发/DevRel/研究员四个方向，不是单点补人，而是搭完整的产品闭环团队

2. 数据研究与算法研究平级，且在细分场景上做了矩阵化布局

证据链：
- 研究员序列里，「预训练算法」和「预训练数据」是两个平级的独立招聘方向
- 模型数据策略部门独立存在，5 个数据 PM 覆盖 Code Agent、通用 Agent、专业领域、AI 创作、情感智能 5 条场景线
- 预训练研究员的团队使命用了 1/4 的篇幅讲数据，且专门有一条职责是「建立严谨的数据质量体系与配比策略」

这背后的判断是：当基础模型架构的边际收益递减时，数据质量与数据策略，会成为拉开模型能力差距的核心变量。DeepSeek 在用组织架构的设计保障这个判断能落地——数据岗不是研发的附属，而是有独立战略权的驱动方。

3. 从底层集群到上层产品的垂直自研，没有在关键链条上留外包缺口

证据链：
- 最底层：IDC 数据中心团队（乌兰察布本地团队，说明有自建或深度定制机房）
- 基础设施：超算集群研发、高性能分布式存储、Agent Infra（DSec 云平台，从 OS 到 VM 到网络到存储全栈改）
- 系统层：算子/通信/编译器、大模型训练/推理框架（全自研，不直接用开源框架套壳）
- 算法层：预训练/后训练/多模态/Frontier 四个研究方向全覆盖
- 数据层：5 个垂直场景的数据产品矩阵
- 应用层：AI 搜索算法/架构、Agent Harness 产品、Chat/APP/开放平台产品

从机房选址（乌兰察布）到用户手里的 Chat 产品，DeepSeek 的招聘布局几乎没有在任何关键技术链条上显示出「依赖外部供应商」的迹象。这种全栈自研的组织成本非常高，但好处是——当模型需要做从训练到推理的全链路联合优化时，所有环节的工程师都在同一家公司，可以坐在一个房间里对齐问题。

作者: itech001
来源: 公众号：AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

本文首发于 AI人工智能时代，转载请注明出处。

posted @ 2026-08-26 18:27  iTech  阅读(31)  评论(0)    收藏  举报