第 009 期：AI Agent 开发趋势与职业规划（面试官视角）

嘉宾：Leo（王粒全）
背景：98 年生，本科，Java → Agent 方向（2024 年 7-8 月转）
经历：3-4 份远程 → 迪拜 3 个月 → 苏州技术总监（带 5 人团队）
面试：面了 50+ 人，长期找不到合适候选人
来源：WLB 社群内部分享（二次分享）

一、嘉宾背景与海外经历

1. 职业路径变迁

阶段	经历
此前	多份远程全职 + 兼职
2024.7-8	接触 Agent 领域（内部转岗）
迪拜	工作 3 个月，因业务灰色 + 华人待遇差回国
当前	苏州某公司技术总监，带 5 人团队，负责 AI 数字分身项目

业务现状：AI 数字分身（Harness 工程）— 在 Claude Code 上套壳，把聊天细节沉淀成记忆，实现 1:1 clone

2. 迪拜职场观察

维度	现实
薪资歧视	同岗位：欧美人 3 万迪/月，印度人 5000-8000 迪，华人几乎无机会
华人处境	不欢迎华人，正规大厂（微软、谷歌）招华人极少
安全性	迪拜本地法律严明治安好，但华人圈层复杂，需警惕灰色产业公司
出发压力	父母大哭、女朋友默默掉眼泪、机场被炸转机新加坡
回国原因	公司业务灰色 + 华人待遇差

二、AI Agent 技术演进与市场预判

1. 技术架构与语言选型

框架演进趋势：

Harness 工程本质是「模型能力的补充」
模型越强，Harness 越薄
例：Claude Code 模型换成 Kimi，Harness 框架里要补很多补丁

有状态 vs 无状态：

Open Cloud / Harness：无状态，偏向通用 AI，给人用
LangGraph：有状态，每个节点可追溯，适合垂直领域的业务流程控制
财务审批等场景不敢用 Open Cloud，必须用 LangGraph

编程语言生态：

语言	定位	AI 写代码质量
Golang	最佳实践（Best Practice）	AI 写得最好
Node.js	小公司首选	前后端构建快
Python	中型公司	框架多（LangChain/LangGraph 生态成熟）
Java	尴尬	又重又没好生态

2. 行业发展预测

维度	判断
窗口期	约 1-1.5 年，之后各垂直行业出现独角兽
岗位变化	Agent 开发岗位可能会消失（模型自我迭代能力增强）
人才需求	具备 AI Native 思维的复合型人才持续稀缺
模型发展	仍在快速发展，GPT-5.5 Medium 已能满足 95% 需求
多模态	未来往视频、音频等更高维度发展

三、Agentic 岗位面试与人才画像

1. 核心能力要求

维度	权重	内容
软能力	更高	快速学习、AI Native 思维、沟通能力
硬能力	次之	RAG、Memory、Agent Runtime、框架、评测
算法	不考	"完全不考"（小公司，仅做参考）

面试不通过的主要原因：

软能力不过关 + 硬能力也不过关
项目包装了但细节答不出来（一往深了问就穿帮）
八股文背不利落

如果有软能力：即使硬能力差一些，也可以给学习机会

2. 什么是「AI Native 思维」

Leo 给出了三个层次的定义：

层次一：遇到问题，AI 先想而不是人先想

❌ 不 AI Native：人想方案 → 讲给 AI → 纠错 → 执行
✅ AI Native：把上下文全给 AI → AI 给出建议 → 人做 review

层次二：工具调用交给 AI

❌ 不 AI Native：写代码实现不同渠道的消息分发
✅ AI Native：返回一行 prompt，让 AI 根据 channel 调用不同命令

层次三：以 AI 为主导，不是以人为主导

❌ "AI 把人的能力补齐了"（以人为本）
✅ "人用 AI，AI 就能帮你干所有的活"（以 AI 为本）
以前分前端后端设计，现在每个人都是全栈，以 AI 为主

3. 简历与项目准备

必须有实战项目：

开源项目包装也行，但细节必须经得起拷问
面试是演戏："大家都在演戏，但你不能一说话就穿帮"
参考 20 份优秀简历找共性

挂科者的典型问题：

理论背了但项目细节说不出来
包装了项目但一往深了问就暴露
没有硬能力也没有软能力

四、学习路径与求职策略

1. 学习周期

一个月能学会（如果学习能力强）
两周能学完课程（用 Claude/Codex 的 guiding 模式 + 多窗口并行）
最快路径：Twitter 关注 100 个 AI 人 → 每天刷 → 半个月成高手

2. 岗位趋势

维度	判断
前后端融合	小公司已全面全栈，大厂预计半年内合并
岗位数量	比年初明显变多，"和数字化转型一样是大浪潮"
竞争格局	"苏州圈子可能就几十个厉害的人"，人才极度稀缺
算法	小公司也考，但 Leo 自己不考

3. 技术栈建议

Golang：AI 写得最好的语言，最佳实践
Python：Agent 框架生态成熟（LangChain/LangGraph）
React / Next.js：前端标配
Java：处于尴尬境地，又重又没好生态

五、出海求职策略

1. 如何平衡风险和收益

明确出国的目的：搞钱、见世面、成长
进行充分的本地调研（可通过付费咨询获取信息）
一旦决定就要接受风险
实操建议：拿 1 万块钱，在贴吧/小红书/群里发帖，一个问题 500 块，一天之内收到无数当地人信息

2. 语言要求

华人公司对语言要求不高
大公司掌握基础工作词汇即可
3 个月的学习能满足基本沟通

3. 包装简历的「野路子」

研究 GitHub 上的优秀开源项目，理解其架构并包装成自己的
只要能自圆其说且经得起拷问即为有效方式
核心原则：简历包装得够好，面 100 家总有 1 家要

六、大龄程序员可直接模仿的点

AI Native 思维转换：遇到任何事先想"能不能用 AI 解决"
刷 Twitter 而不是刷题：关注 100 个 AI 领域的人，每天跟进前沿
包装简历 > 刷 demo：简历包装得够好，面 100 家总有 1 家要
把自己推出去：线下活动（黑客松、程序员大会）比自媒体更直接
先吹 120 分再落地 90 分：拿到 100 分的钱，做出 90 分的事
个人 IP 打造：收入 = 卖时间 + 卖个人 IP（复利）+ 接外包 + 咨询

七、风险提示

Agent 岗位会消失：模型能力增强后，纯粹的 Agent 开发岗位可能被压缩
年龄偏好：公司更想要 AI Native 的年轻人，大龄需证明学习能力
全栈压力：半年内前后端界限模糊，必须同时掌握
出海风险：迪拜等市场存在薪资歧视和灰色业务风险
模型发展速度：人是跟不上 AI 的，必须持续学习

八、自由交流精选

问题	回答
如何判断海外机会真伪？	无法 100% 保证安全，关键在于权衡。追求高回报就要承担不确定性
没有 Agent 项目经验怎么包装？	研究 GitHub 开源项目，理解架构后包装成自己的，经得起拷问即可
AI 模型能力是否接近天花板？	仍在快速发展，受限于硬件但会往多模态方向发展
Harness 工程最难的问题？	Best Effort 策略，多种思路都试，效果最好的就选
如何看待 35 岁危机？	失业率上升和你有什么关系？不要被宏观数据束缚，聚焦自身行动
如何获得高薪？	想要高薪又稳定需付出加倍努力。不能既要又要还要
把 AI 用好指什么？	知道 AI 能力边界在哪，摸索出最佳实践（如 prompt 权重、硬规则输出）

九、嘉宾金句

"人是跟不上 AI 的。GPT-5.5 能用好的人寥寥无几。"

"Harness 是模型能力的补充。模型越强，Harness 越薄。"

"真正的机会不来自于你的绝对实力，而来自于你和人交流的能力。"

"你想要一个，你就付出一份精力。你想要两个，就付出两倍。"

"不要考虑这个事情难不难，直接去做。"

"先吹 120 分，你就能拿到 100 分的钱，你拿到 100 分的钱，可以落地 90 分的事情。"

"35 岁危机是 5 亿打工人上升了 10% 的概率，也就是 5000 万人。你为什么觉得你会在 5000 万人里，而不是在 4 亿 5000 万人里？"

第 009 期：AI Agent 开发趋势与职业规划（面试官视角） ​

一、嘉宾背景与海外经历 ​

1. 职业路径变迁 ​

2. 迪拜职场观察 ​

二、AI Agent 技术演进与市场预判 ​

1. 技术架构与语言选型 ​

2. 行业发展预测 ​

三、Agentic 岗位面试与人才画像 ​

1. 核心能力要求 ​

2. 什么是「AI Native 思维」 ​

3. 简历与项目准备 ​

四、学习路径与求职策略 ​

1. 学习周期 ​

2. 岗位趋势 ​

3. 技术栈建议 ​

五、出海求职策略 ​

1. 如何平衡风险和收益 ​

2. 语言要求 ​

3. 包装简历的「野路子」 ​

六、大龄程序员可直接模仿的点 ​

七、风险提示 ​

八、自由交流精选 ​

九、嘉宾金句 ​