用大模型做招聘市场调研：
美国公司想要什么样的 AI 工程师

美国雇主眼下对 AI 工程师有什么要求：哪些技能、什么职级、多少薪资？ 同样的运行可以用于任何职位，从招聘人员的市场地图到求职者的学习计划都适用。

有 36 条招聘信息出现了两次（同一公司、同一职位名称），去重后剩下 164 条；模型判断其中 162 条是构建 AI 或 ML 系统的职位。雇主提供了薪资范围时，Indeed 会以结构化数据返回；LinkedIn 只有职位描述里写到的内容。

gpt-5.6-luna 这个快速又便宜的模型分四批读取招聘信息，每批 50 条，每条取前 3,000 个字符。对每条招聘信息，它返回职级、远程政策、最低工作年限、所要求的技能（使用标准名称，所以 "PyTorch" 和 "pytorch" 算作同一项），以及在有写明时的薪资范围和它所出自的原句。然后由代码去重，把每一句薪资原句和招聘信息核对，并完成所有计数。四次调用总共花了约 $0.04。

现在这是一份大模型的工作。 在 162 个职位中，104 个要求有 LLM 经验，90 个要求智能体经验，84 个要求评测经验，58 个要求检索增强生成（RAG）经验。经典的 ML 框架落在后面：PyTorch 出现在 36 个职位中，TensorFlow 在 27 个中。这些是保守的计数：只有当模型标出了某项技能，并且招聘信息的文字中写出了它的名称时才算数。

以高级职位为主。 52 个职位是高级（senior），18 个是 staff 或更高级别，相比之下中级 37 个、初级 22 个、实习 3 个；30 个没有说明。在写明最低要求的 81 条招聘信息中，工作年限的中位数是 3 年。

薪资：中间值 $155k。 50 条 Indeed 招聘信息中有 33 条给出了年薪范围。区间中点的中位数是 $155,000，中间一半落在约 $129,000 到 $196,000 之间；最低的区间从 $60,000 起，最高的达到 $322,000。在我们发送的文字范围内，117 条 LinkedIn 招聘信息中只有 9 条写了薪资，数量太少，说明不了什么（它们的区间中点中位数是 $209,000）。

远程政策大多没有写明。 在 162 个职位中，有 106 个在我们发送的文字里没有说明是远程、混合还是到岗办公，所以我们没有下结论。发送完整的职位描述，或使用招聘平台自带的工作方式字段，就能回答这个问题。

这个便宜的模型擅长阅读，却不擅长克制：它会添加一名典型 AI 工程师"应该"需要的技能，即使招聘信息并没有要求。我们通过在每条招聘信息的文字中搜索技能名称发现了这一点：

如果照单全收，这些标签会让 Python 出现在 60% 的招聘信息中，MLOps 出现在四分之一中；而文字能支撑的只有 41% 和大约十分之一。修正的成本很低：只保留有文字支撑的标签，就像我们对上面每个数字所做的那样；或者请一个更强的模型引用它判断每项技能所依据的原文。

API 密钥放在 LOVELY_API_KEY 中，使用市场调研案例里的 run_tool 和 ask 辅助函数：

li = run_tool("linkedin-jobs", {"keywords": "AI engineer", "location": "United States", "datePosted": "r2592000", "limit": 150}, 150)
indeed = run_tool("indeed-jobs", {"title": "AI engineer", "location": "remote", "country": "us", "limit": 50}, 50)

posts = [{"id": i, "title": p["title"], "text": (p.get("description") or "")[:3000]} for i, p in enumerate(li)]
facts = []
for i in range(0, len(posts), 50):
    facts += json.loads(ask("For each posting return {id, seniority, remote, min_years, skills, pay_quote, pay_min, pay_max}. JSON array.",
                            posts[i:i + 50], model="gpt-5.6-luna"))
# Keep a skill only if its name appears in the posting text; keep pay only if pay_quote is in the text.

把关键词换成任何职位，或把地点换成任何市场。背后用到的工具见招聘与职位数据。