2026年春节后，某个大厂的朋友给我发了一张内部转岗申请的截图。
申请人是算法工程师，岗位方向是”大模型应用开发”。转岗理由栏里写了三行字：
“过去两年主要做模型微调和效果优化。2025年下半年开始，公司内部微调需求急剧减少，大部分场景改用Prompt工程+外部知识库即可满足。所在团队HC缩减，考虑向应用侧迁移。”
这张截图我看了好几遍。不是因为它的内容有多震撼，而是它精准地切中了2026年AI行业正在发生的一个静默变迁——“纯模型侧”的岗位在收缩，”工程侧”的岗位在扩张。
三年前，一个工程师只要会”调模型参数”就敢称自己是大模型工程师。2024年，大家开始意识到光会调参不够，还得会搭RAG。2025年，RAG成了标配技能，新的分水岭变成了”会不会做Agent”。到了2026年，以上所有技能加在一起，可能只够你拿到面试的入场券——真正决定你能不能留下来的，是你能不能把AI能力稳定、安全、低成本地嵌入业务流程。
“马士兵2026年AI大模型工程师第四期”这个名字背后，藏着对这场变迁的精准判断。它不是”第四期”这么简单——它是这个行业从”模型优先”转向”工程优先”的活体记录。
第一层：大模型工程师的”三代进化”——你在哪一代？
如果把2023年到2026年的大模型工程师能力模型做个切片，大致能看到三代人的轮廓。
第一代：模型探索者（2023-2024）
特征是”能调通API”。核心技能是Prompt Engineering、API调用、简单的参数配置。代表作是”三天搭一个Chatbot”和”用LangChain串一个多轮对话”。
这个阶段，企业对这个角色的期待是”探索可能性”——看看大模型能做什么、不能做什么、在哪些场景有商业价值。技术深度要求不高，但好奇心和学习速度要求极高。
第二代：应用搭建者（2024-2025）
特征是”能搭完整应用”。核心技能是RAG系统搭建、Agent开发、Function Calling、简单的模型微调。代表作是”企业知识库问答系统”和”多工具调用的自动化Agent”。
这个阶段，企业开始认真考虑”把AI能力产品化”。AI工程师的角色从”做实验”变成了”做产品”。对工程能力的要求开始上升，但还不算苛刻——能跑通就行，稳定性、成本、可维护性都是”后面再优化”的事。
第三代：系统工程者（2026- ）
特征是”能建生产系统”。核心技能是分布式推理部署（vLLM、SGLang、TensorRT-LLM）、RAG系统的工程化优化（检索链路调优、多级缓存、混合检索）、Agent的可靠性工程（状态管理、可观测性、评估流水线）、成本控制策略（Prompt压缩、前缀缓存、请求合并）、安全与合规（内容审核、越狱防护、数据脱敏）。
代表作品是”日均百万级请求、P99延迟<3秒、单次对话成本<$0.01、系统可用性99.9%的AI服务”。
这一代工程师和前面两代最核心的区别在于：前两代回答的是”能不能做”，这一代回答的是”能不能一直做、做得好、做得便宜、做得安全”。
而2026年的就业市场，对第一代的招聘需求已经大幅萎缩，第二代正在经历”供过于求”的挤压，第三代才是真正稀缺的。
第二层：第四期比第三期多了什么——一个课程版本的进化史
“第四期”这个编号不是随便写的。它意味着这门课已经经历了三次完整的迭代，每一期都基于上一期学员的真实反馈和行业变化做了调整。
第三期教的是”怎么用大模型做应用”。
第四期教的是”怎么把大模型应用做成生产级系统”。
这两句话之间的差异，就是过去一年行业认知进化的缩影。
第三期的学员画像主要是：想入行的新人、想转型的Java/Python工程师、想提升竞争力的在职AI开发者。课程目标是”让他们能独立完成一个AI应用项目”。
第四期的学员画像发生了变化：出现了大量”已经做过AI项目但在上线环节卡住”的工程师。他们的需求不是”教我做”，而是”教我做好、做稳、做成可以持续运营的系统”。
基于这个变化，第四期的课程结构做了几个关键调整：
调整一：从”模型为中心”到”系统为中心”。 第三期用大量篇幅讲模型原理和微调技术。第四期把这些压缩成”够用就好”的模块，把更多篇幅让给了推理部署架构、性能优化、成本控制、安全合规这些”非模型但决定项目成败”的工程内容。
调整二：增加了”从Demo到生产”的完整实战模块。 第三期的项目作业是”完成一个功能完整的AI应用”。第四期的项目作业是”完成一个功能完整的AI应用 + 把它部署到生产环境 + 跑通压力测试 + 给出成本核算 + 设计监控告警方案”。
调整三：引入了”真实项目失败案例解剖”。 这可能是第四期最特殊的部分。不是讲”成功的项目怎么做”，而是讲”失败的项目为什么失败”——那些在Demo阶段一切正常、上线后全面崩溃的真实案例，从技术选型到架构设计到运维策略，逐一拆解。
这种”反向教学”的效果，往往比正向教学更深刻——因为大多数人在成功案例里学到的经验很难复用到自己的场景，但在失败案例里看到的坑，几乎每个人都会踩。
第三层：2026年大模型工程师的”护城河”——从”懂模型”到”懂系统”
说了这么多课程迭代和行业变化，回到一个更实际的问题：如果你是一个想在这个行业里站住脚的工程师，2026年你应该把精力放在哪里？
我的观察是，三件事正在成为新一代大模型工程师的核心壁垒：
第一件：推理部署的工程能力。
模型是AI的灵魂，但推理引擎是AI的肉身。vLLM、SGLang、TensorRT-LLM这些框架的选型、配置、调优，决定了你的AI服务”能跑多快、能跑多便宜、能跑多大规模”。
这不是”运维的事”。当一个Agent应用因为推理延迟过高导致用户体验崩溃，或者因为显存管理不当导致单次对话成本翻三倍的时候，你会发现——懂推理引擎和不懂推理引擎的工程师，交付结果是两个量级。
第二件：数据工程的实战手感。
RAG系统80%的性能问题出在检索阶段，而检索阶段的问题95%出在数据处理环节——分块策略不合理、embedding模型选型不当、元数据设计缺失、索引更新机制滞后。
一个优秀的AI工程师，知道”什么数据该走什么处理管道””什么场景用什么embedding模型””什么查询需要重写才能提升召回率”。这些手感不是从论文里读来的，是从大量真实数据上”磨”出来的。
第三件：评估与迭代的系统思维。
传统软件开发有完善的测试体系——单元测试、集成测试、回归测试、性能测试。AI系统至今没有建立起同等成熟的评估体系。
一个能做评估的AI工程师，意味着他能回答这些问题：”我这次的Prompt改动，在500个测试样本上的准确率变化是多少””新版本的模型在哪些类别上变好了、在哪些类别上变差了””用户的满意度指标和我们的技术指标之间是否存在相关性”。
评估能力是把AI开发从”玄学”变成”科学”的分界线——没有它，你永远在黑暗中摸索；有了它，每一次迭代都有数据指引方向。
2026年的AI大模型工程师，正在经历一个从”探险家”到”建设者”的身份转变。
探险家的时代是2023年到2025年——模型能力日新月异，每天都有新发现，谁先探索到新大陆谁就领先。
建设者的时代从2026年开始——模型能力的”增量惊喜”在递减，但”应用价值”的挖掘才刚刚开始。你能把现有的能力用多低的成本、多高的可靠性、多好的用户体验交付给用户，决定了你在这个行业里的位置。
马士兵第四期课程的名字里有一个词我特别留意，叫”工程师”。
不是”科学家”，不是”研究员”，是“工程师”。
工程师的核心使命不是”探索未知”——那是科学家的事。工程师的核心使命是“用已知的规律，建造可靠的东西”。在AI领域，模型的底层能力是”已知的规律”，而把这份能力变成”可靠的东西”，正是工程师的工作。
第四期课程的核心交付，就是把一批”能用AI做Demo”的开发者，升级成”能用AI建系统”的工程师。 前者在2026年的市场上供过于求，后者依然一将难求。这个差距，就是这门课存在的全部理由。
