# 岗位分工：一个 AI 应用由谁完成

> 用知识客服串起产品、运营、Research、算法与开发，区分工作对象、交付物和岗位之间的联系。

适合阅读：第一次接触 AI 岗位的研究生  
更新：2026-09-05

## 两条线，分别对什么负责

AI 团队可以先按工作重心分成两条线：非技术线主要是产品与运营，技术线主要是 Research、算法与开发。这里的“非技术”指主要交付物不是模型训练或软件代码，并不意味着不需要理解技术。产品需要判断模型能力能否支持用户任务，运营需要理解数据、质量和反馈怎样影响系统。

一个面向员工的知识客服可以同时涉及五类工作：产品定义员工遇到什么问题、怎样获得答案；运营整理业务知识、维护评价规则；开发连接登录、检索和模型接口；算法改善召回和答案质量；Research 则可能研究新的检索或推理方法。具体团队不一定设置全部岗位，同一人也可能承担相邻工作。

![非技术线产品与运营、技术线 Research 算法与开发，共同完成知识客服的岗位协作图](https://cv.shujinxing777.com/career/handbook/images/ai-team-collaboration.png)

知识客服教学示例。图中界面、分数和监控数值用于说明工作对象，并非真实企业业绩。

## 产品与运营的分界，看改变了什么

产品工作的重心是决定系统应该提供什么能力，以及用户怎样使用。以“查报销规则”为例，需要明确适用员工、查询范围、资料出处、答案格式，以及问题涉及多个制度版本时的处理方式。需求文档、用户流程和交互原型服务于这些决定。

运营工作的重心是让业务内容、用户使用和质量过程持续运转。制度更新后哪些旧文档需要下线，员工反馈应该分到哪类，哪些问题需要交给业务专家复核，都可能属于运营工作。增长运营、内容运营与模型数据运营处理的对象不同，不能仅凭“运营”二字判断工作内容。

| 方向 | 主要对象 | 可见的工作结果 |
| --- | --- | --- |
| AI 应用产品 | 用户任务与功能规则 | 需求说明、流程、验收条件 |
| 平台产品 | 开发者或企业配置流程 | 接口与权限规则、管理台方案 |
| 策略产品 | 搜索、推荐或自动化决策 | 策略定义、实验与效果分析 |
| 产品 / 用户运营 | 使用流程与用户反馈 | 引导内容、行为分析、改进反馈 |
| 数据 / 模型运营 | 知识、标注、评价样本 | 分类规则、数据质量与复核记录 |

## Research、算法、开发各自回答的问题

Research 关心一个方法上的问题是否成立：例如，补充文档上下文能否改善某类检索错误，效果在什么条件下出现。它通常需要文献理解、方法实现和有解释力的实验。算法更接近给定任务的效果优化，例如选择表示模型、调整排序方式、训练分类器或分析误差。两者可能高度重叠，区别要结合招聘描述中的研究目标和交付要求判断。

开发关心能力怎样成为可以使用的系统。知识库怎样更新，用户怎样认证，多个请求怎样处理，工具返回错误时界面显示什么，都是实际工作。AI 应用开发仍可能考查数据库、网络、数据结构和代码质量；接通模型接口只是系统中的一环。AI Infra 则更靠近训练、推理资源与服务基础设施。

## 岗位名称相同，场景也可能完全不同

“AI 产品实习生”可能服务个人用户，也可能面向企业客户或公司内部员工。个人助手关注任务完成与使用体验；企业知识平台还涉及权限、数据接入和组织管理；内部提效工具需要理解员工原本的业务流程。C 端、B 端、内部应用是服务对象的划分，产品、算法、开发则是职责划分，这两组维度可以交叉。

读招聘说明时，可以用一句话还原岗位：“为谁，在什么场景，处理什么对象，产出什么结果。”例如“为企业员工设计知识问答流程，并组织问答质量验证”，与“训练检索模型提升专业文档召回”，虽然都涉及知识问答，工作的中心并不相同。

## 五类岗位怎样共享一条反馈

假设员工反馈：“系统给出的报销上限不对。”产品确认用户所在地区、问题含义与正确的交互规则；运营检查制度版本和适用范围；开发查看实际传入的查询条件与调用过程；算法检查检索候选和排序；如果现有方法长期无法处理某类条件约束，研究工作才进一步讨论方法改进。

因此，岗位之间并非完全不互通。理解共同链路可以帮助协作，但承担哪部分工作仍需要对应的经验。了解 RAG 概念可以帮助产品与开发沟通，并不自动等于具备检索模型训练经验。

## 参考资料与出处

- [User Needs + Defining Success](https://pair.withgoogle.com/chapter/user-needs/)（Google PAIR）

- [Framing an ML problem](https://developers.google.com/machine-learning/problem-framing/ml-framing)（Google for Developers）

- [Rules of Machine Learning](https://developers.google.com/machine-learning/guides/rules-of-ml)（Martin Zinkevich / Google）

- [Technical interviews](https://careers.microsoft.com/v2/global/en/hiring-tips/technical-interviewing.html)（Microsoft Careers）

- [CS336: Language Modeling from Scratch](https://cs336.stanford.edu/)（Stanford）

## 对应经验原帖

- [25实习历程](https://www.nowcoder.com/feed/main/detail/cc44a0e2afb64ee988d390f9a2be165f)｜zxxxxxr｜2024-06-19（编辑日期）｜产品与运营 · 多家公司投递记录

- [富途AI产品经理日常实习二面](https://www.nowcoder.com/feed/main/detail/34d7ed816cac425da58f4dd35210d913)｜刘下苍茫｜2025-05-22｜内部 AI 应用 · 日常实习

## 关联阅读

- [产品方案：从用户问题到可验收的功能](https://cv.shujinxing777.com/career/handbook/product-discovery)

- [AI 运营：知识、标注与质量反馈怎样运转](https://cv.shujinxing777.com/career/handbook/operations-quality)

- [研究与算法：把论文、训练和实验结果接起来](https://cv.shujinxing777.com/career/handbook/research-practice)

- [读懂 JD：条件、职责与技术词](https://cv.shujinxing777.com/career/handbook/read-jd)