裁员潮没过去，只是进化了。
我们正在经历的，不是周期性的经济波动，而是一场冷酷无情的结构性淘汰。
以前是公司没钱了，整个项目组都得走。现在是公司比以前更有钱，但你这个人，对公司来说没用了。
我在互联网行业混了十几年，从最早的推荐算法再到现在的生成式AI，算是一路看着这个行业从莽荒走向癫狂，又从癫狂回归到一种新的冷静。
这几年我肉眼可见的变化，比过去十年都多。
首先被冲击的，就是工作能被AI直接替代的一批人。 这是最直接，也是最血腥的。
大家都在谈AIGC，但很多人没意识到，它不是来辅助你的，它是来直接干掉你的。去年我司有个项目，需要给大量的商品图片生成营销文案。以前的流程是什么？一个十几人的内容运营团队，吭哧吭哧地写，每个人一天撑死写一百条，还得保证不重复，有创意。现在呢？我们算法部门，两个刚毕业的小年轻，花了两周时间，基于开源的LLM也就是大语言模型做了一套微调，然后用一个比较新的RAG技术，把我们内部所有的历史爆款文案、商品知识库全部喂进去。
结果是什么？现在这套系统，一分钟能生成一万条文案，风格多变，质量稳定，AB测试下来，点击率比人工写的平均还高了3个点。然后呢？然后那个十几人的内容团队，就只剩下两个人了。一个负责审核AI生成的内容，确保没有政治敏感或者低俗内容。另一个，负责把业务部门新的需求，整理成文档，反馈给我们算法部，好让我们继续迭代模型。从生产者到审核员和需求翻译官，你品品这个变化。受这个冲击的岗位，远不止内容运营。
比如初级的UI设计师，以前画个icon，设计个banner，现在用Midjourney或者Stable Diffusion，输入几个关键词，几秒钟出几十张图给你选，哪张不满意还能局部重绘。还有初级的翻译、客服、甚至测试工程师，特别是做UI自动化测试的，都在被快速侵蚀。他们的共同点是，工作内容有固定的SOP标准作业程序，依赖于大量的经验和规则，但创造性要求不高。这简直是为AI量身定做的靶子。
紧随其后的，是那些所谓的互联网方法论专家。 比如增长黑客、用户运营专家、私域流量操盘手、还有那种只会画原型讲故事协调资源，但对技术和业务本质一窍不通的产品经理。这些人，是上一个时代的宠儿。在资本充足、流量便宜的年代，大家比的是谁能更快地圈地，更快地把用户拉进来。所以各种方法论大行其道，什么AARRR模型，什么用户画像，什么HOOK模型。大家天天开会，拉着研发、设计，搞各种增长实验，做一个小功能恨不得写50页的PPT。
现在呢？地主家也没有余粮了。流量见顶，获客成本高到天上去了。老板们不再关心你的DAU日活跃用户这个月又涨了几个百分点，他们只关心一个问题：你这个功能，这个月能给公司多赚多少钱？或者，能省多少钱？
我身边一个活生生的例子。一个朋友，P8级别的产品总监，在某大厂做了七八年，是圈内小有名气的增长专家。去年底他们事业部调整，整个增长产品线被砍掉，他也被优化了。他出来找工作，找了半年，非常痛苦。他跟我诉苦，说现在的面试官，根本不听他讲过去那些千万级用户的增长案例。面试官只会问：你这个增长方案，ROI投资回报率算过吗？技术实现成本多少？能带来多少明确的收入？他讲不出来，因为他以前的工作模式，就是大胆假设，小心求证，先砸资源再说。那套玩法，现在没人买单了。
再有一种，就是空有其表的技术人员，特别是只会调API的算法工程师。
这话可能得罪人，但这是事实。前几年AI热，很多培训班批量生产算法工程师，教的就是怎么用TensorFlow、PyTorch调几个现成的模型，跑个demo，看起来很光鲜。
很多人，包括一些985、211的硕士，也就停留在这个层面。现在，这种调包侠的价值正在无限趋近于零。
现在对算法工程师的要求完全不同了。
你首先得懂底层。大模型动不动就几百上千亿参数，你怎么做模型并行、数据并行、流水线并行？怎么在有限的GPU资源下，做高效的训练和推理？你得懂CUDA编程，懂分布式计算原理。光会Python是不够的。其次，你还得懂数据。算法工程师现在有一半的工作是数据工程师的活。数据从哪里来？怎么清洗？怎么做特征工程？怎么构建高效的Data Pipeline数据管道？
很多人以为去大厂搞大模型算法有多难，其实难的不是技术本身，而是你根本找不到一个靠谱的带你入门的人或者资料。网上那些面经不是零碎就是过时，更别提系统性总结了。尤其是想进字节这种宇宙尽头大模型应用岗，光靠 Leetcode 和 huggingface 根本不够。
这就是我为什么花了很多时间，掘地三尺从知乎、牛客、V2EX、小红书、技术博客、GitHub、微信群几十个地方翻出来，把所有和「字节跳动大模型应用算法岗」相关的面试题搜集起来，整理成了这个手册——内容涵盖大模型原理、训练与微调、推理加速、数据工程、业务落地等五大核心维度，不仅是题目集合，更是思路梳理和实战指南。每道题都给出核心回答逻辑、代码实现关键点、面试官可能追问的陷阱，就像有个靠谱mentor带着你一点点拆解和构建自己的答题框架。
我最近面试，必问一个问题：我们现在有一个TB级别的实时数据流，要做一个实时推荐，你的数据架构会怎么设计？
很多人当场就懵了。最重要的，你必须懂业务。你做的模型，不是为了在学术会议上发篇论文，是为了解决实际问题的。
金融风控的模型，你得懂什么是PSI、CSI，什么是巴塞尔协议。广告推荐的模型，你得懂什么是oCPC、oCPM，懂广告主的竞价策略。不懂业务，你做的模型就是空中楼阁。
所以，那些只会调API，不懂底层、不懂数据、不懂业务的算法工程师，处境非常尴尬。高不成，低不就。跟刚毕业的学生比，没有精力优势；跟真正的专家比，没有深度。他们是第一批被更专业的、更硬核的工程师替代的人。
除了上面字节那份面试题，还可以看看国内其他大模型公司的常问面试题合集，交叉着看，基本就能覆盖大部分考点了。除了这些，你还要重点准备AI系统设计题，比如“如何设计一个类似GitHub Copilot的代码补全系统？”或者“用大模型来重新设计一个网易云音乐的推荐系统，你会怎么做？”这类问题，考察的就是你的综合能力。
说了这么多残酷的，也得说说希望。市场并没有死，只是游戏规则变了。在当前的结构性淘汰中，有几类人的价值反而逆势上扬，变得极其抢手。
第一类，是硬核的技术专家，特别是能解决复杂工程问题的人。
前面说了，单纯的算法模型已经不值钱了，因为好的模型已经开源了。真正值钱的是什么？是把这些牛逼的模型，稳定、高效、低成本地运行起来，并产生商业价值的能力。
这里面包括但不限于MLOps专家，也就是机器学习运维，他们要构建一套自动化的模型训练、部署、监控、迭代的流水线，管理成千上万个线上模型的版本和性能，这是一个巨大的工程挑战。还有高性能计算和AI Infra专家，他们研究怎么在硬件层面榨干GPU的每一滴性能，怎么构建一个能支撑千卡、万卡级别大模型训练的分布式集群，怎么降低推理服务的延迟和成本，这都是真金白银。
我认识一个做推理优化的哥们，去年帮公司把某个核心模型的推理成本降低了60%，年终奖拿了18个月。此外还有顶级的数据架构师，能设计和搭建支撑千亿级别数据量、百万级别QPS每秒查询率的实时数仓和数据平台的人，这种人，现在各个大厂都是当宝贝一样供着。这些人的共同特点是，他们不只是写代码的，他们是解决问题的，而且解决的是别人解决不了的、极其复杂的工程问题。他们的知识体系是T型的，既有广度，又在某个领域有极深的钻研。
第二类，是懂业务又懂技术的双栖人才。 这种人也非常稀缺。他们可能代码写得不是最牛的，但是他们对业务的理解极其深刻，并且能把业务问题，精准地翻译成技术问题，然后推动技术团队去解决。
最后，也是最顶尖的，是具备底层创新能力的人。 这一点要求最高，也是最稀缺的。
当所有人都挤在应用层，用别人开源的模型做点修修补补的工作时，总有一些人，在默默地搞底层创新。
比如，研究新的模型架构，能不能比Transformer更高效？研究新的优化器，能不能让模型收敛得更快？研究新的硬件，能不能突破冯诺依曼架构的瓶颈？这些人，是推动整个行业前进的引擎。
他们可能不在大厂，可能就在某个大学的实验室，或者某个名不见经传的创业公司。但他们一旦做出突破，就会改变整个游戏的格局。这种人，永远不会失业。
说了这么多，可能很多人会觉得焦虑。
别慌，认清现实是改变的第一步。对于我们绝大多数普通从业者来说，没必要去追求成为上面说的第三类人，那个难度太高。
但我们可以努力成为第一类和第二类人的预备役。
结合我自己的经验和身边牛人的路径，我给你几条实在的建议。
先要做的，就是调整心态。不要再幻想回到那个猪都能飞起来的时代了。那个时代，一去不复返了。不要再把高薪、快速晋升、一夜暴富的期权当作理所当然。
接受一个事实：IT互联网行业正在从一个高增长、高回报、高风险的行业，回归到一个正常增长、正常回报、技术驱动的普通行业。就像20年前的通信行业，10年前的金融IT一样。心态放平了，你才能做出理性的决策。
然后，你需要找到自己能钻研的领域，要做到一厘米宽，一公里深。
不要再追求做一个什么都懂一点的万金油。在现在这个环境下，万金油等于万金油都不要。你需要找到一个足够细分的领域，然后往死里钻。
比如你是一个后端开发，不要满足于做CRUD增删改查。你可以选择一个方向深耕：是研究分布式缓存，把Redis、Memcached的源码都读一遍，研究各种缓存一致性协议、高可用方案？还是研究消息队列，把Kafka、RocketMQ的底层存储、高吞吐量设计的原理搞得一清二楚？还是研究数据库，从MySQL的InnoDB存储引擎，到TiDB这种NewSQL的分布式事务实现，都去研究一下？当你成为这个细分领域的专家时，你就拥有了定价权。公司裁员时，会裁掉10个只会写业务逻辑的，但会留下你这一个能解决核心性能问题的。
终身学习这句话已经被说烂了，但大部分人的学习都是无效的。今天看一篇公众号文章，明天刷一个短视频课程，看起来学了很多，其实都是知识碎片，构不成体系。
有效的学习，应该是体系化的、以输出为导向的。体系化学习，就是找一本你这个领域的圣经级别的书，比如我个人强力推荐的《数据密集型应用系统设计》（Designing Data-Intensive Applications），或者《深入理解计算机系统》（CSAPP）。
最近数分名著DDIA有了第二版，还有中文版了。
不过说实话。可能很多人连第一版都还没读明白，但是这也不能怪他们。因为因为DDIA就是很难，对很多刚入门或者转行到分布式系统、数据库、大数据领域的朋友来说，可能只能理解 20%-30% 的内容。要真正全部消化这本书，需要至少 1-2 年在大厂参与大型分布式系统工作或者长期维护复杂系统的实战经验才能跟上作者的思路。
所以推荐一个配套的DDIA 逐章带读，作者基于英语原版，结合自己丰富的工作经验，做了大量扩展和细致说明。可读性起码提高80%。推荐新手同学搭配第二版和解读一起读。
不要图快，花半年甚至一年的时间，一个字一个字地啃下来，把里面的习题都做了。这个过程很痛苦，但收获巨大。而以输出为导向的学习，就是学了东西，一定要想办法用起来，或者讲出来。最好的方式就是写博客，或者去参与开源项目。
你写一篇深入的技术博客，会逼着你把所有模糊不清的细节都搞清楚。你给开源项目提一个Pull Request，会让你的代码能力和协作能力得到真实的锻炼。
我的GitHub上，现在还保留着我几年前学习某个分布式系统时，为了搞懂它的一个核心算法，自己用Go语言把它重新实现了一遍的代码。虽然很粗糙，但那个过程让我对这个算法的理解，超过了读十篇论文。
另外，一定要打造你的个人影响力，建立你的备份系统。 不要把你的全部价值都寄托在一家公司里。你要有意识地在公司外部，建立你的个人品牌和影响力。
这不一定是要你去做网红，去搞知识付费。而是更纯粹的技术影响力。比如在GitHub上拥有一个高star的个人项目，或者成为某个知名开源项目的Committer或PMC成员，或者长期维护一个高质量的技术博客，在知乎上持续输出深度回答，再或者在一些技术会议上做分享。
这些东西，短期内看，不给你带来一分钱收入，还很花时间。但从长期看，这是你最重要的资产。它意味着，你不需要通过海投简历来找工作。工作会主动来找你。你的朋友圈，会从公司同事，扩展到整个行业。我认识的很多技术圈的大佬，他们换工作，从来不是自己去投简历，都是朋友推荐，或者猎头慕名而来。这就是影响力的价值。
在招聘这事儿上，不管是校招还是社招，最坑人的是什么？是信息差。你可能技术很牛，背景也好，但你看到的岗位，都是一两个星期前发布的陈年旧菜，等你兴冲冲投过去，人家简历都筛完三轮了，你这就是无效投递，纯粹浪费感情。所以，消除信息差，比你多刷一道算法题可能都重要。怎么消除？得有自己的信息渠道。这里就不得不掏出我私藏的一个宝藏信息源了。
链接在这儿：2026最新秋招企业汇总表/校招汇总表-最新2026校园招聘信息汇总表
它对求职者最大的改变，就是快，快到解决了信息滞后这个核心痛点。它干了一件特别简单粗暴但极其有效的事：只给你看最新的，基本都是24小时内发布的岗位。这意味着你投递的时候，HR的邮箱还没被撑爆，你的简历有极大概率排在前面被看见。在求职的战场上，能早一分钟看到机会，胜算就大了一分。尤其适合想第一时间抓住最新机会的朋友，别等机会凉了才知道。
写了这么多，有点啰嗦，但都是我的心里话。
回到最初的问题：今年，你身边失业的人多吗？
多。而且未来几年，可能还会继续多。
但这不完全是坏事。它把过去十年行业野蛮生长吹出来的泡沫，一个个挤破，让真正的价值回归。对于那些有真才实学、愿意持续深耕的人来说，这反而是最好的时代。因为你的价值，会前所未有地凸显出来。
所以，别再花时间去问别人失业多不多了，也别再为那些虚无缥缈的风口而焦虑。
多问问自己：如果明天公司没了，我这身本事，在市场上还值几个钱？
把这个问题想明白了，你就知道该干嘛了。