NLP / AIGC / 01
NLP 岗到大模型岗的迁移
大模型出现后，NLP 岗位没有消失，而是从单点文本模型转向大模型应用、评测、检索增强、Agent 和工程落地。
传统 NLP 在做什么
传统 NLP 常见任务：
- 文本分类。
- 序列标注。
- 信息抽取。
- 搜索相关性。
- 问答系统。
- 摘要生成。
- 机器翻译。
- 文本匹配。
这些能力仍然重要，因为大模型应用也需要理解文本、结构化信息、评估输出和控制质量。
大模型岗位在做什么
大模型岗位常见工作：
- RAG 系统搭建。
- Prompt 和工具调用。
- Agent 工作流。
- 指令微调。
- 模型评测。
- 推理成本优化。
- 内容安全。
- 业务场景落地。
核心不只是会调用 API，而是能把大模型能力接入业务系统，并证明效果。
可迁移能力
传统 NLP 到大模型岗位，最容易迁移的能力：
- 文本表示和语义匹配。
- 信息抽取和结构化。
- 检索和排序。
- 数据标注和样本构造。
- 评测指标设计。
- 错误分析和 bad case 归因。
这些能力在 RAG 和 Agent 中非常重要。
新增能力
需要补的能力：
- 上下文窗口和 prompt 设计。
- 检索增强生成。
- 向量数据库和重排。
- 工具调用和函数调用。
- hallucination 控制。
- LLM-as-judge 评测。
- 成本、延迟和稳定性。
面试题：NLP 和大模型应用有什么区别
理想回答：
传统 NLP 更偏单任务建模，比如分类、抽取、匹配。大模型应用更偏系统工程，需要把检索、prompt、工具、生成、评测和业务约束组合起来。模型能力更强，但问题也从训练一个模型变成构建可控、可评估、可上线的应用闭环。
面试题：只会 prompt 算大模型算法吗
不够。Prompt 是入口，但算法岗要能处理数据、评测、检索、模型选择、成本控制和线上质量。如果只会写 prompt，很难支撑复杂业务。
准备建议
做一个完整 RAG 或 Agent 项目：
- 有真实知识库。
- 有 query 测试集。
- 有召回、重排、生成链路。
- 有自动和人工评测。
- 有 bad case 分析。
- 有成本和延迟统计。
总结
NLP 到大模型的迁移，不是从零开始，而是把文本理解、检索、抽取、评测能力放进大模型系统。面试时要强调闭环，而不是只强调会用某个模型。
下一篇建议继续看：