强化学习手册

外观

模块导读与岗位版图

本页速览 RL 求职版图全景：算法研究员、RL 工程师、大模型对齐工程师、仿真/机器人工程师等岗位的职责、核心技能与薪资对比；三维决策清单；career 模块四页使用地图。

模块导读与岗位版图 ​

一句话定位：这一页讲清楚"RL 岗位市场长什么样"——哪些岗位在招、每个岗位做什么、要什么、给多少，以及面对这份版图你该从 career 模块（四页使用地图见下文第五节）的哪一页开始。

站在 2026 年回头看，强化学习已经从一个"学术圈自嗨的方向"变成了多个产业条线的硬技能：大模型对齐、具身智能、自动驾驶、推荐广告、运筹调度、量化交易，每一块都在招 RL 背景的人，但每一块要的"RL"都不一样。很多人投简历失败，不是因为不会 RL，而是没搞清市场要的是哪种 RL——这是 career 模块存在的第一理由。

一、模块定位：先看市场，再准备自己 ​

career 模块的逻辑是一句话：先看市场，再准备自己。绝大多数求职者犯的错误是反过来的——先闷头学了一年，再去看招聘，发现学的东西和 JD 对不上。本站的解法是四条流水线：

text
市场在招什么         JD 在要求什么          我该怎么准备          如何被验证
┌────────────┐   ┌──────────────────┐   ┌────────────────┐   ┌────────────┐
│ 岗位版图     │   │ 知识点拆解          │   │ 简历 / 作品集     │   │ 面试题库     │
│ (本页)      │──▶│ knowledge-map     │──▶│ resume-analysis │──▶│ interview  │
│ 市场概览    │   │ 技能词→页面映射     │   │ 四要素+STAR     │   │ 高频题+追问  │
└────────────┘   └──────────────────┘   └────────────────┘   └────────────┘
        ▲                │                     │                    │
        │                ▼                     ▼                    ▼
   [jd-list] 拆解真实    [本站 concepts /      [practice]           [本站 concepts]
   在招岗位的 JD 原文      practice 页面]        作品集与评估            全部知识点

和 guide 模块的分工

学习路径 回答"我该按什么顺序学"；career 模块回答"市场要什么、我该怎么对齐"。求职冲刺线 就是以 career 四篇为主线、配上高频概念页的一条约 2 周的面试准备路线，两条线互为表里：career 告诉你学什么，guide 告诉你按什么节奏学。

具体到四页，各自回答一个问题：

页面回答的问题最佳使用时机
本页（index）市场上都有哪些 RL 岗位，我适合哪一类一开始，花 30 分钟读完
JD 清单真实在招岗位的 JD 到底写了什么要求拿到具体目标岗位后逐字对照
知识点拆解JD 里的每个技能词对应本站哪个知识点、我会不会自评阶段，产出个人补课清单
简历分析简历和作品集该怎么突出 RL 能力投递前 1-2 周
面试题库面试会问什么、怎么答面试前冲刺

一个重要前提

以下所有岗位信息、薪资区间都随市场剧烈波动，且是多来源抽样后的综合概括，不是某个具体职位的官方定薪。任何具体决策（投哪家、要多少钱）请以 JD 清单 里给出的实时招聘平台信息为准。本站提供的是"看市场的框架"，不是"市场的最终答案"。

二、岗位版图：十类 RL 相关岗位全景 ​

1. 十类岗位总表 ​

我们把市场上真正在招 RL 背景人才的岗位归成十类。这个归类刻意按"RL 在业务里承担的角色"划分，而不是按公司划分——因为同一家公司可能同时开这十类中的四五类岗位。

#岗位典型雇主核心职责关键技能组合参考薪资（国内/年）参考薪资（海外/年, TC）
1RL 算法研究员（Research Scientist）DeepMind、OpenAI、Meta FAIR、国内大厂研究部、AI 创业公司提出新算法/新范式，跑通关键实验，写论文或产出专利数学功底、论文复现、大规模实验60–150 万$25–60 万+
2RL 算法工程师（Applied Scientist / RL Engineer）国内大厂、自动驾驶、游戏、量化把 RL 算法落地到具体业务，调优、上线、监控算法 + 工程 + 业务建模40–90 万$22–45 万
3大模型对齐工程师（LLM Alignment / RLHF）大模型公司、云厂商、AI InfraSFT / 奖励模型 / PPO / DPO 全链路，对齐评估RLHF、分布式训练、评测50–120 万$25–50 万+
4机器人学习工程师（Robotics / Embodied AI）具身智能创业、智元/宇树/大疆、人形机器人仿真训练、Sim2Real、VLA 策略、数据采集连续控制、仿真器、RL+模仿50–120 万$22–45 万
5仿真与训练平台工程师（Simulation / RL Infra）大厂 RL 团队、具身智能、自动驾驶环境开发、并行训练框架、数据管道高性能计算、仿真器、分布式45–90 万$20–40 万
6推荐/广告/搜索策略算法（Decision Intelligence）字节、阿里、腾讯、美团排序、出价、探索策略、离线评估Contextual Bandit、离线 RL、因果40–90 万$20–38 万
7决策优化 / 运筹调度工程师物流、制造、云资源调度、供应链库存、调度、装箱、路由的序列决策MDP 建模、OR 算法、RL 混合35–80 万$18–35 万
8自动驾驶决策规划算法华为、百度、小马、毫末、Waymo 类行为决策、运动规划中的模仿+RL 混合规划、仿真测试、安全约束40–100 万$22–42 万
9量化交易 / 执行优化研究员量化私募、券商自营订单执行、做市、组合层面的 RL金融 MDP 化、回测、风控60–150 万+$25–60 万+
10游戏 AI 工程师游戏大厂、游戏 AI 创业NPC 决策、对战 AI、内容生成 RL游戏环境、多智能体、对战30–70 万$18–32 万

读表须知：薪资为 2026 年市场综合估算，国内含现金+股票，海外为总包（TC，含 base+bonus+equity）。同一岗位头部公司与非头部差距可以到 2 倍以上。具体数字请以 JD 清单 中的招聘平台实时信息为准。

2. 三类"母体岗位"——大多数岗位都是它们的变体 ​

十类岗位看着多，其实都源自三个母体，理解母体就能理解变体：

  • 研究型（母体一）：目标是"造出别人没造出的方法"。对应 #1 研究员，#3 对齐工程师的"研究岗"变体，#4 机器人的"策略创新"变体。考的是数学与论文。
  • 应用型（母体二）：目标是"让 RL 在一个具体业务里产生可度量的收益"。对应 #2、#6、#7、#8、#9、#10。考的是建模能力 + 工程落地。
  • 平台型（母体三）：目标是"让 RL 能大规模地训练起来"。对应 #5，以及 #2/#3 里的 Infra 角色。考的是分布式系统与工程。

为什么这样切

同一个"RL 工程师"头衔，在 A 公司是"把论文里的 SAC 调通到机器人上"，在 B 公司是"写分布式采样框架"，在 C 公司是"跟运营对齐出价目标"。投简历前先判断这个 JD 属于哪个母体，再决定简历怎么组织——这是 career 模块反复强调的第一件事。

3. 岗位趋势的三个方向（2026 视角） ​

  • RLHF 类岗位从"稀有"走向"主流"：对齐已经是大模型训练的标准环节，几乎所有大模型公司都有对齐团队，且需求外溢到云厂商与垂直行业（医疗、金融客服的领域对齐）。这类岗位的 RL 门槛其实不高（PPO 一个算法打天下），但分布式训练与评测能力很关键。
  • 具身智能把"机器人学习"推上风口：人形机器人、灵巧手、VLA（vision-language-action）模型的资金与人才需求双高。这类岗位最缺的是能同时写 RL 算法和摆弄仿真器的人。
  • 传统 RL 岗位在"决策智能"里换了个名字：推荐、广告、风控、调度岗位的 JD 里出现 bandit、离线 RL、因果推断的词频在上升。很多岗位不叫 RL，但做的事就是 RL——投递时别只搜"强化学习"三个字。

三、技能雷达：RL 岗位的五能力象限 ​

无论哪类岗位，衡量 RL 人才都可以用五个能力象限。这五个象限是我们拆 JD、写简历、准备面试时反复使用的主坐标：

象限代表能力面试怎么检验对应本站
理论MDP、贝尔曼方程、收敛直觉、算法谱系手推公式、对比题、追问"为什么"概念模块 全部
代码PyTorch、算法实现、Debug、实验脚本手写伪代码、代码 review、现场调 bug实践模块 与 框架选型
数学概率、期望、KL、凸优化、统计推导 advantage、解释 GAE/熵math-primer
工程仿真器、分布式训练、数据管道、评估体系问环境怎么建、实验怎么管、怎么复现evaluation-in-practice 与 build-your-own
业务把业务问题建模成 MDP、设计奖励、评估业务收益场景设计题、Case 题reward-engineering 与各 case 页

用这五个象限给自己打个分（1-5），你会立刻得到一张与岗位错位图：

text
能力自评示例（一位有 2 年工程经验、想转 RL 的候选人）：
                    理论   代码   数学   工程   业务
算法研究员(研究型)     5     4     5     3     1   ← 数学/理论不够
RL 算法工程师(应用型)   3     5     3     4     3   ← 理论/数学是短板
对齐工程师(应用型)      3     4     3     5     3   ← RL 理论可再补
机器人学习(应用型)      4     4     3     4     2   ← 数学/仿真可再补
仿真平台工程师(平台型)  2     5     2     5     2   ← 理论要求低,工程要求高

怎么读这张雷达

雷达图不是"平均分越高越好"，而是"形状要对上岗位"。研究岗要求"理论/数学凸起"，平台岗要求"代码/工程凸起"，应用岗要求"工程/业务凸起"。面试挂掉最常见的三类原因，对应三个象限的凹陷：理论岗挂数学、应用岗挂工程落地、所有岗挂业务建模。

四、三维决策清单：选哪个方向 ​

面对十类岗位，别凭感觉挑。按下面三个维度各打一轮分，最后用决策矩阵收口。

1. 维度一：你的背景 ​

背景特征更顺的岗位方向原因
硕士/博士，发过 RL 论文研究员、对齐研究岗、机器人研究岗研究岗的第一硬通货是论文
本科/硕士，工程出身（后端/分布式）仿真平台、RL Infra、对齐工程岗平台型岗位重工程
硕士，做过推荐/搜索/风控决策智能、广告策略业务经验直接迁移，MDP 建模是加分
博士，运筹/优化背景决策优化、量化、调度数学建模能力是硬通货
机器人/控制背景机器人学习、自动驾驶决策连续控制与仿真经验直接对口

2. 维度二：你的兴趣 ​

  • 喜欢"证明一个想法对"，享受论文被引用 → 研究型岗位。代价：发不出论文的压力、实验周期长。
  • 喜欢"把一个东西真正跑上线，看到指标涨" → 应用型岗位。代价：业务问题不优雅、RL 经常不是最优解。
  • 喜欢"造平台、优化训练一万个 GPU" → 平台型岗位。代价：离算法远、长期做 infra 容易失去算法手感。

兴趣与现实常冲突

一个常见悲剧：热爱理论的硕士生进了纯业务团队，天天写 SQL 分析留存；而动手能力强的工程师进了研究组，三个月没跑出一个像样的实验。面试时问清楚团队构成与"你入职前三个月做什么"，比看岗位 title 有用得多。

3. 维度三：市场趋势 ​

趋势（2026 视角）受益岗位风险
大模型对齐常态化对齐工程师、RLHF门槛走低、竞争者多、红利期在收窄
具身智能融资热机器人学习、仿真平台泡沫风险、部分公司存活不确定
决策智能渗透推荐/风控策略算法、离线 RL岗位名字不叫 RL，识别成本高
自动驾驶收敛到"规控安全"决策规划只有头部公司还在大举招人
RL for Reasoning（R1、RLVR）研究岗、对齐岗论文驱动的热点，落地要看推理成本

4. 三维决策矩阵 ​

把三个维度打过分后，用这个矩阵收口：

text
背景 × 兴趣 × 趋势 综合判断
──────────────────────────────────────────────
背景对研究岗友好 × 喜欢证明想法 × 关注对齐/R1
  → 首选：大模型对齐研究岗 / 研究员(对齐方向)

背景对应用岗友好 × 喜欢上线 × 关注决策智能
  → 首选：策略算法工程师 / 推荐·风控·调度

背景工程强 × 喜欢造平台 × 关注具身智能
  → 首选：仿真平台工程师 / RL Infra

背景数学强 × 喜欢建模 × 关注量化/运筹
  → 首选：量化执行 / 决策优化
──────────────────────────────────────────────
若四个都不突出：从 #2 RL 算法工程师（应用型）切入
是最宽容的入口——它对单一象限的要求不极端。

五、四页使用地图 ​

最后给出 career 模块四页（加本页共五页）的完整使用顺序。两种典型用法：

用法 A：求职冲刺（配合 guide/paths 求职冲刺线）

text
第 1 天  读完本页 → 锁定 1-2 个目标岗位
第 2 天  读 [JD 清单](/career/jd-list) → 找到 5 份目标 JD 逐条对照
第 3-5 天 用 [知识点拆解](/career/knowledge-map) 生成补课清单 → 补齐 P0 考点
第 6-7 天 按 [简历分析](/career/resume-analysis) 改简历 + 用作品集补项目
第 8-14 天 用 [面试题库](/career/interview-questions) 自测 → 高频题过三遍

用法 B：长期准备（慢线）

text
先读本页建立市场认知 → 按 [学习路径](/guide/paths) 系统精进线走
每学完一个概念模块，回来查 [知识点拆解](/career/knowledge-map)
确认"这个知识点对应哪个 JD 技能词" → 边学边对齐
页面产出物前置依赖预计耗时
本页目标岗位清单（1-2 个）无30 分钟
JD 清单5 份目标 JD 的要求摘录本页1-2 小时
知识点拆解个人补课清单JD 清单1-2 小时
简历分析改好的简历 + 作品集 README知识点拆解半天
面试题库通过自测的高频题清单知识点拆解面试前 1 周

延伸阅读 ​

  • 学习路径：三条路线 —— 求职冲刺线以 career 模块为主线，这里看整体节奏。
  • JD 清单 —— 真实在招岗位的 JD 拆解与词频统计，下一步就进这页。
  • 知识点拆解 —— 把 JD 技能词映射成"会/不会/半会不会"并生成补课清单。
  • 简历分析 —— 四要素 + STAR，把 RL 能力在简历上讲清楚。
  • 面试题库 —— 高频面试题的答题框架与追问预测。

参考资料 ​