感觉现在懂模型又懂工程的人特别稀缺，招不到。大家团队里 AI 工程师怎么解决的？
感受：纯算法和纯工程都好找，但既懂模型调优又懂工程化、能把模型塞进产品的人特别少，价格也被推得很高。想听大家是内部培养、外部挖、还是找兼职？有没有靠谱的渠道？
做过三个0-1项目，我的感受是早期反而别追这种全能型人才，容易卡在招人上拖节奏。模型和工程拆两个人找，中间有个能做技术决策的就够了。真正卡0-1的不是技术全栈，是能把模型能力和真实场景对上的人，这个反而更稀缺。
最近聊的早期项目里这个岗位市场价已经到80-120万，早期团队现金流确实扛不住。一个折中：优先找有开源框架贡献或Kaggle经历的工程背景候选人，至少证明过能在工程语境下理解模型逻辑。这类人学习曲线比纯算法转工程短，薪资也还没完全泡沫化。
做CT影像方向，我补充一点：这里的工程化不只是塞模型，还要处理大体积DICOM数据吞吐、三维渲染加速和院内私有化部署。我们更倾向找懂医学图像底层处理（如VTK/ITK）的工程师去补算法对接，反而比找全能AI工程师更容易落地。
前蔚来感知组的经验，真正缺的是懂“算力边界”的人。模型云端跑分高，上车部署延迟就炸。建议直接去成熟量产智驾团队挖，他们被车端算力毒打过，天然有工程落地思维。或者内部把算法和部署工程师绑定，强制互相review代码，比找全能大牛更实际。
互联网AI缺懂模型和工程化的人，我们在半导体和EDA领域更头疼。做AI辅助EDA或端侧部署，需要既懂模型又懂底层硬件架构和工艺约束的，这种只能靠联合高校定向培养，社招很难挖。不知道纯软件端有没有类似的高校转化渠道？
在新能源和电力系统场景下，最缺的是懂物理机理又懂AI的人。纯算法出身往往搞不定电网的强安全约束和电气边界，容易把模型做成黑盒。我们团队倾向从传统电气、自动化背景里挖人去补算法，比让纯算法去学业务逻辑靠谱得多。
从我们投的消费项目看，真正卡住的不是技术人，是懂消费又敢对技术做减法的产品人。很多团队模型能力够强，但做出来的功能用户用一次就走，问题出在对场景的理解太浅。这种人不靠猎头找，得创始人自己下沉去磨。
从后端视角看，AI工程化的难点其实在分布式系统：高并发推理、显存池化调度、流式输出。这些本就是后端的舒适区。建议别只盯着算法岗，挖有Go/Rust经验的分布式开发，补下vLLM这类推理框架的部署调优，转型快且能真正把模型服务跑稳。
在Agent场景下，更缺能把模型能力拆解成工作流、定义好工具调用边界的人。我的经验是，让工程同学去补Prompt和Function Calling，比算法同学学工程化更快。内部转岗培养几个能做Workflow编排的工程同学，比去市场上抢全能人才更现实。
在具身智能这边这个问题更极端，除了模型和工程，还缺懂硬件物理约束的人。sim-to-real的gap不是拆几个人能解决的，模型和硬件耦合太紧。我们团队从传统机器人控制转过来的同学，反而对模型能力边界判断最准。纯软件产品也许能拆开找，机器人方向很难这么拆。
看我们投后的几十个AIGC项目，早期其实更缺懂数据飞轮设计和推理成本优化的人。尤其做创作工具，Token成本扛不住或交互不够直觉，模式就跑不通。与其死磕全能工程师，不如找有PLG经验的前端，培养模型认知的门槛往往比反过来低。
看 AI 制药和芯片团队时，我们常问候选人懂不懂算力边界。很多模型塞不进产品，不是工程能力弱，而是算法设计时没考虑到底层硬件架构和算力成本约束。你们团队不妨补一个懂异构计算优化的角色，能在模型和工程之间做个很好的缓冲。
前字节PM做SaaS的感受：模型和工程中间，最缺的是懂AI边界的PM。模型效果差点客户能忍，但响应延迟超过3秒，或Token成本吃光SaaS毛利，产品就没法卖了。与其高薪挖全能人才，不如让PM去死磕调用成本和延迟，逼着算法和工程在业务指标上妥协
其实生物医药领域更极端，懂模型的不懂疾病生物学，懂临床的不碰代码。我们这边比较有效的路是找有计算背景的生物PhD做桥梁，比直接招算法工程师管用。好奇你们产品里的领域知识壁垒有多深？如果场景本身跨学科，可能比缺全栈更难解决。
我出来做Agent后，招人主要盯大厂做过搜推广引擎或架构的算法工程师。这批人在前司本来就要写C++做系统优化和线上部署，转型做模型工程化极快，对系统瓶颈的理解比纯应用层深得多。楼主可以顺着这个画像找。
补充个工业机器人视角的体感：其实懂边缘侧部署的工程师比纯模型工程的人更稀缺。把模型塞进物理产品，意味着必须死磕算力限制和实时延迟。你们在工程化时，遇到算力适配和延迟瓶颈多吗？
三个项目都是内部转岗解决的。发现工程背景转模型的人，比算法背景转工程的人转化效率更高——前者天然从用户场景倒推模型需求，后者容易陷在指标里出不来。渠道上Kaggle和开源社区主动聊，比招聘平台靠谱。
作为用 AI 改造传统行业的数据分析师，我发现最缺的反倒是懂业务且能处理脏数据的人。传统企业数据底座差，模型直接塞进去常水土不服。前期不如配个懂业务的数据分析师，帮算法团队把数据特征和口径理清，工程化落地反而更顺畅。
其实可以看看物理或量子计算方向转行的博士。这类人底层数学功底扎实，搞懂模型机制和上手调优很快，短板主要在工程化经验上。如果团队里有老手带一下，内部培养这批人的性价比，可能比去市面上硬卷现成的全能型选手要高。