数据岗位的价值重心会从“亲手做分析”转向“设计系统、定义评估、判断该不该自动化”;你的学习重点应是补上判断与验证能力,而不是再学更多工具。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
岗位方向:从执行者变成系统设计者
材料里的观点立正把 Data Scientist 这类岗位称为“中间层”:懂一点业务、操作一点数据、输出一点洞察,其中大量具体动作正是 AI 擅长压缩的。他给出的转型方向是往“更接近模型、也更接近结果”的位置走,名称可以是 AI engineer、AI architect、builder 等,实质是负责设计整个系统如何用 AI 做出结果,而不是负责一段具体执行。这类人的价值落在四件事:把模糊业务问题翻译成 AI 能消费的 context;设计 eval、反馈回路和标准;编排模型、工具、数据和流程;判断什么该自动化、什么该人工接管1。他另在对话中提出,会用 agents 的人会先变多,之后 AI architect 会更稀缺——这是他本人的判断,不是已被数据验证的结论2。
你的“无脑 approve”正是要补的那一环
立正把 AI 使用差距总结为递进关系:先能产出可用结果,再能判断质量,然后把完整任务交出去并行驱动,再把经验沉淀成可复用的系统,最后让 AI 成为思考伙伴。他明确说,“AI 不靠谱”多数时候不准确,更准确的原因是 context 不完整、评估机制不严、debug 能力不成熟、系统记忆没建立3。这直接对应你的处境:你已经跨过“产出”和“交任务”,卡在“判断质量”这一层。Marco Casalaina 也提到,上线变容易会让很多坏想法直接进生产,所以需要试点、让真实用户反馈,并把反馈纳入评分标准(rubrics),让评估检验系统是否符合用户真正想要的行为4。他还说每个工程师都该有基础理解:AI 是什么、怎么用、怎么给 agent 提供上下文、怎么写 rubric4。
学习方式:先行动,再按瓶颈补知识
AI推演立正主张学习三环节的比例约为行动 6、思考 3、求知 1:用行动引领思考,用思考引领求知,遇到瓶颈再针对性学知识;先行动先思考,才能培养出判断该学什么的能力5。落到你身上,可以这样用:选一类你目前最常直接 approve 的分析或 pipeline 任务,先自己写出“什么算对”的验收标准和几个反例,再让 agent 跑,最后对照结果看它错在哪。这个动作同时练了 eval 设计和 debug,也让你重新进入判断环节,而不是只做审批。另一条可操作的做法是把反复做的任务沉淀成模板或 skill 文档,每用一次优化一次,而不是每次从空白对话开始6。这两条是 AI 基于上述材料的应用建议,不是原文对你个人情况的诊断。
关于数据岗位未来几年的整体供需变化,提供的片段只有立正的个人判断和零散讨论,没有系统性就业数据;《AI时代,找工作的难度,远超你想象》2中嘉宾的回应段落未确认发言,无法用于核对。
出处
- 1AI时代,大厂打工人的五条路
直接讲数据科学岗位为何是中间层、该往哪个方向转型,以及转型后的四项核心能力。
- 2AI时代,找工作的难度,远超你想象|Jobright创始人分享一线求职数据
可回到原文核对这部分判断
- 3AI User 与 AI Builder 的 5 个差距,和背后具体技术原因 | 科技大厂打工人版
给出 AI 使用能力的递进框架,指出判断质量与评估机制是关键缺口。
- 4AI在大企业中的应用才刚刚开始,人才供不应求?|对话微软CoreAI副总裁Marco Casalaina
Marco Casalaina 谈上线容易带来的风险、试点反馈与 rubric 评估,以及工程师应具备的基础理解。
- 5第02课|学习工作和赚钱的正确方法
提供行动、思考、求知的学习比例与“遇瓶颈再求知”的方法。
- 6AI 用得好的人与普通人的5个差距,和背后具体技术原因|非技术岗位版
可回到原文核对这部分判断
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 我想知道,如果你要给刚刚初学用 AI、也就是只会用 Chat 的人开班,想赋能他们用更多工具,比如用 harness、用 code,最终成为一个 AI 架构师,你会怎么分享你学 AI 的故事呢?你觉得有哪些最大的 takeaway 呢?
立正会把故事讲成一条能力跃迁线:从只会聊天,到动手 build,再到设计可靠系统;核心 takeaway 是别学工具按钮,而是练 builder 习惯、系统思维和把判断外化成可复用能力。
- 從user 到 Architect
从 User 到 Architect 是一条能力升级路径:先学会自己造东西,再学会设计能长期运行的系统。最值得先读的是讲这条演化本身的文章,其次看 AI 架构师的定义。
- 对于个人而言,怎样才叫真正的AI native,包括生活、工作和学习
真正的 AI native 不是会用多少工具,而是把一件具体的事重新做一遍:看清结果、改掉旧流程、用 AI 放大自己的判断,并拿出证据。
- 想做一个 ai 短剧,但是没有头绪,技术工程都不是问题,就是没有很想做的内容,怎么办
先别从“我要做什么内容”出发,而是从“哪类观众在哪个点上愿意付费或停留”出发,再倒推你要拍什么。
- 我想总结网络知名人物,经常答疑解惑的那种人的问答bot。通过他们的直播里面表达的观点,总结蒸馏他们的理论。然后做这样一个bot。你觉得做这个东西有价值吗?
有价值,但价值不在“复制这个人的答案”,而在把他反复讲、且能落到具体情境的判断整理成可查的框架;只做问答口吻的模仿,价值很有限。
- 職涯發展應該走自己熱愛有熱情, 但前景普通(快消品), 還是走自己沒那麼喜歡但是前景高的行業(如半導體)
现有片段没有直接比较「热爱但前景普通」与「不喜欢但前景高」;它们提供的是两条可组合的思路:把工作当工具先积累,以及热爱要配上能被识别的品质与市场。