卡片 04岗位2026 年 9 月 21 日

职位名称里，推理出现的次数是预训练的八倍

Name: 职位名称里，推理出现的次数是预训练的八倍
Published: 2026-09-21
License: https://creativecommons.org/licenses/by/4.0/

2026 年 9 月 21 日 Metix AI Platform 上，标题写明模型生命周期某个阶段的在招岗位，全球与美国。

运行这个案例
复现需 8 API Credits

8.2×

标题写推理的在招岗位是写预训练的 8.2 倍（516 比 63）。

推理与部署516
后训练175
预训练63
微调47

推理岗位多过其他所有阶段，是预训练的 8.2 倍

标题写明模型生命周期某个阶段的在招岗位：轮廓是全球总数，实心部分是其中在美国的岗位

推理与部署516 · 美国 65%
后训练175 · 美国 79%
预训练63 · 美国 56%
微调47 · 美国 66%

图中所见

全球标题写明推理或模型部署的在招岗位有 516 个，是预训练（63 个）的 8.2 倍。后训练有 175 个，微调 47 个。按标题看，招人的重心在把模型跑起来，而不是把模型训出来。

各阶段在美国的比例不同。后训练最集中，138 个在美国，占 79%；预训练只有 56%。

方法与局限

这些数字只看标题。前沿实验室的很多人挂的是 "Member of Technical Staff" 这类通用头衔，不会被算进来，所以每一项都是下限，比较的是招聘标题怎么写，不是团队规模。

来源：Metix AI Platform 岗位数据，2026-09-21。

查询pre-training.json · post-training.json · fine-tuning.json · inference.json

POST /v1/jobs/query · queries/pre-training.json

{  "where": {    "all": [      {        "any": [          {            "field": "title",            "match": "pretraining"          },          {            "field": "title",            "match": "pre-training"          }        ]      },      {        "any": [          {            "field": "title",            "match": "research"          },          {            "field": "title",            "match": "engineer"          },          {            "field": "title",            "match": "scientist"          },          {            "field": "title",            "match": "llm"          },          {            "field": "title",            "match": "model"          },          {            "field": "title",            "match": "ai"          },          {            "field": "title",            "match": "ml"          },          {            "field": "title",            "match": "technical"          }        ]      },      {        "not": [          {            "field": "title",            "match": "sales"          },          {            "field": "title",            "match": "customer"          },          {            "field": "title",            "match": "teacher"          },          {            "field": "title",            "match": "trainer"          },          {            "field": "title",            "match": "doctoral"          },          {            "field": "title",            "match": "pharmacy"          },          {            "field": "title",            "match": "licensing"          },          {            "field": "title",            "match": "licensed"          },          {            "field": "title",            "match": "causal"          },          {            "field": "title",            "match": "statistical"          }        ]      }    ]  },  "size": 1}

POST /v1/jobs/query · queries/post-training.json

{  "where": {    "all": [      {        "any": [          {            "field": "title",            "match": "post-training"          },          {            "field": "title",            "match": "posttraining"          }        ]      },      {        "any": [          {            "field": "title",            "match": "research"          },          {            "field": "title",            "match": "engineer"          },          {            "field": "title",            "match": "scientist"          },          {            "field": "title",            "match": "llm"          },          {            "field": "title",            "match": "model"          },          {            "field": "title",            "match": "ai"          },          {            "field": "title",            "match": "ml"          },          {            "field": "title",            "match": "technical"          }        ]      },      {        "not": [          {            "field": "title",            "match": "sales"          },          {            "field": "title",            "match": "customer"          },          {            "field": "title",            "match": "teacher"          },          {            "field": "title",            "match": "trainer"          },          {            "field": "title",            "match": "doctoral"          },          {            "field": "title",            "match": "pharmacy"          },          {            "field": "title",            "match": "licensing"          },          {            "field": "title",            "match": "licensed"          },          {            "field": "title",            "match": "causal"          },          {            "field": "title",            "match": "statistical"          }        ]      }    ]  },  "size": 1}

POST /v1/jobs/query · queries/fine-tuning.json

{  "where": {    "all": [      {        "any": [          {            "field": "title",            "match": "fine-tuning"          },          {            "field": "title",            "match": "finetuning"          }        ]      },      {        "any": [          {            "field": "title",            "match": "research"          },          {            "field": "title",            "match": "engineer"          },          {            "field": "title",            "match": "scientist"          },          {            "field": "title",            "match": "llm"          },          {            "field": "title",            "match": "model"          },          {            "field": "title",            "match": "ai"          },          {            "field": "title",            "match": "ml"          },          {            "field": "title",            "match": "technical"          }        ]      },      {        "not": [          {            "field": "title",            "match": "sales"          },          {            "field": "title",            "match": "customer"          },          {            "field": "title",            "match": "teacher"          },          {            "field": "title",            "match": "trainer"          },          {            "field": "title",            "match": "doctoral"          },          {            "field": "title",            "match": "pharmacy"          },          {            "field": "title",            "match": "licensing"          },          {            "field": "title",            "match": "licensed"          },          {            "field": "title",            "match": "causal"          },          {            "field": "title",            "match": "statistical"          }        ]      }    ]  },  "size": 1}

POST /v1/jobs/query · queries/inference.json

{  "where": {    "all": [      {        "any": [          {            "field": "title",            "match": "inference"          },          {            "field": "title",            "match": "model serving"          },          {            "field": "title",            "match": "llm serving"          }        ]      },      {        "any": [          {            "field": "title",            "match": "research"          },          {            "field": "title",            "match": "engineer"          },          {            "field": "title",            "match": "scientist"          },          {            "field": "title",            "match": "llm"          },          {            "field": "title",            "match": "model"          },          {            "field": "title",            "match": "ai"          },          {            "field": "title",            "match": "ml"          },          {            "field": "title",            "match": "technical"          }        ]      },      {        "not": [          {            "field": "title",            "match": "sales"          },          {            "field": "title",            "match": "customer"          },          {            "field": "title",            "match": "teacher"          },          {            "field": "title",            "match": "trainer"          },          {            "field": "title",            "match": "doctoral"          },          {            "field": "title",            "match": "pharmacy"          },          {            "field": "title",            "match": "licensing"          },          {            "field": "title",            "match": "licensed"          },          {            "field": "title",            "match": "causal"          },          {            "field": "title",            "match": "statistical"          }        ]      }    ]  },  "size": 1}

运行这个案例

三种方式，每一种都先告诉你要花多少。

1 API Credit 可以买 25 个搜索结果或 5 条完整记录；1 美元可以买 30 API Credits。

交给你的 agent 来跑

56 到 64 API Credits1.87 到 2.13 美元新账户赠送的 100 API Credits 够用

花费超过 70 API Credits 之前，agent 会先停下来问你。

你的 agent 按提示词一步步执行：先读规则，再计数，按提示词的要求检查定义，最后写出文件和图表。请使用能写文件的 agent，比如 Claude Code 或 Codex。

一次性配置key、连接和一次免费检查。如果你的 agent 已经接入 Metix AI Platform，可以跳过。

1获取 key
在 Metix AI Platform 上创建 key →
新账户一次性赠送 100 API Credits，30 天内有效。在启动 agent 的终端里设置，或者把这一行写进 ~/.zshrc 或 ~/.bashrc，新开的终端也能用：
终端
```
export METIX_KEY=metix_xxxxxxxx
```
2连接你的 agent
Claude Code
为所有项目注册 Metix AI Platform。在任意目录启动 claude，就能看到十个 metix 工具。
终端
```
: "${METIX_KEY:?run step 1 first}" &&
claude mcp add --scope user --transport http metix \
  https://mira-api.metix.ai/mcp \
  --header "Authorization: Bearer $METIX_KEY"
```
MCP 配置指南 →
Codex
注册同一个服务。key 留在环境变量里，不写进配置文件。
终端
```
codex mcp add metix \
  --url https://mira-api.metix.ai/mcp \
  --bearer-token-env-var METIX_KEY
```
MCP 配置指南 →
Skills
四个 skill，教任何 agent 使用 Metix AI Platform 的接口和查询规则，适合不支持 MCP 的 agent。安装程序默认一项都不勾选：在每一项上按空格，再按回车。
终端
```
npx skills add MetixAI-Official/metix-skills
```
Skills 安装说明 →
其他 MCP
让客户端通过 streamable HTTP 连接这个地址，并带上这两个请求头；缺少 Accept 请求头时服务器会返回 406。较旧的客户端使用同一主机上的 /sse。
地址和请求头
```
https://mira-api.metix.ai/mcp
Authorization: Bearer <your key>
Accept: application/json, text/event-stream
```
MCP 配置指南 →

3检查配置

先问这一句。它只读取余额和字段列表，不做任何搜索，不花 API Credits：

发给 agent 的提示

使用 Metix AI Platform：查询我的 key 状态并读取 contract，这两项都免费。然后告诉我我的 API Credit 余额和可以查询哪些数据集。不要做任何搜索。

4粘贴提示词

在一个空文件夹里启动 agent，再粘贴。它会把文件写在那里。

要回答的问题

用 Metix AI Platform 回答一个问题：招聘标题里最常出现模型生命周期的哪个阶段，每个阶段在哪里招人？只通过公开的 Platform 访问（REST 地址 https://mira-api.metix.ai、MCP 服务或 metix-skills），密钥从 METIX_KEY 读取，任何时候都不要打印密钥。

01先读规则再查询
调用 GET /contract（免费），只用 querySpecByEntity.job 里的字段。搜索按 ceil(返回的 ID 数 / 25) 计费，所以 size 1 的计数花 1 API Credit，没有结果的搜索不收费。开始和结束时各调用一次 GET /auth/key/status（免费）查余额，总花费超过 70 API Credits 之前先停下来问我。
02阶段
四组标题条件：预训练（pretraining、pre-training）、后训练（post-training、posttraining）、微调（fine-tuning、finetuning）、推理（inference、model serving、llm serving）。每个阶段用一个 any 节点。
03每个阶段用同一套防误判条件
match 要求每个词都出现，但不要求连在一起，所以 "pre-training" 也会命中 "Pre-licensed Training Provided"。要求标题里有一个机器学习相关的词（research、engineer、scientist、llm、model、ai、ml、technical），并排除 sales、customer、teacher、trainer、doctoral、pharmacy、licensing、licensed、causal、statistical。后训练不要加 "RLHF"，人力公司反复发布的数据标注岗位会把它淹没。
04先抽检再相信
最小的阶段（不到 100 个）把标题全部读一遍，其他阶段各读 50 个。报告有多少是无关的；超过 5% 就补充排除词，四个阶段一起改，并说明改了什么。
05计数
每个阶段算全球和 location.country eq "United States" 两次，size 1，一共 8 API Credits。
06清洗
这里不合并重复发布，直接说明，不要猜一个修正值。
07分组
四个阶段就是四组，连同条件写在一个文件里。
08输出
写出 data/stages.json，带 "unit": "jobs" 和快照日期，每个阶段写全球数和美国数。运行前后各调用一次 GET /auth/key/status（免费），余额差就是花费。
09图表
每个阶段一根条形，按最大的那根缩放，推理高亮，每根标出数量和美国占比。大数字用推理和预训练的比值，不用某个计数。
10局限
只看标题：前沿实验室的很多人挂的是 "Member of Technical Staff" 这类通用头衔，所以每个数都是下限，比较的是招聘标题怎么写，不是团队规模。

查看 PROMPT.md →

你会得到

聚合文件和图表，一段说明抽检发现了什么、改了什么，以及这次运行花了多少 API Credits（取自运行前后的余额）。

如果调用返回 402 insufficient_quota，说明 key 有效，只是余额用完了。

复现数字

8 API Credits0.27 美元新账户赠送的 100 API Credits 够用

一个只用 Python 标准库的小脚本，把已提交的查询按计数发出去，写出这个页面所用的聚合文件。需要 Python，并在终端里设置好 METIX_KEY（见 agent 路径的第 1 步），也可以让你的 agent 替你运行这几行。

终端

curl -fsSL https://platform.metix.ai/casebook/source/model-lifecycle-titles-2026.tar.gz | tar xz
cd model-lifecycle-titles-2026
: "${METIX_KEY:?set METIX_KEY first}" && python3 cases/model-lifecycle-titles-2026/fetch.py

你会得到

data/*.json 和 data/receipt.json。运行 git diff cases/model-lifecycle-titles-2026/data 看哪些数字变了：除去快照之后数据本身的变化，数字应该一致。

改成你的问题

花费取决于你的版本读取多少。在提示词第 1 步里写上你自己的上限。

提示词就是这个案例本身。改掉下表里的部分，你的 agent 就会回答你的问题，用同样的检查和同样的花费记录方式。

想改的	改哪里	例子
阶段	第 2 步	加上评测（"evals"、"model evaluation"），用同样的方法抽检
防误判条件	第 3 步	某个阶段噪音大时，收紧机器学习相关的词
地理范围	第 5 步	按几个国家分别计数，而不只是美国

运行前先问清楚

看哪些阶段，每个阶段用标题里的哪些词？
只看标题，还是也看职位描述？描述的噪音大得多。
看全球，还是某一个国家？
抽检读标题最多能花多少 API Credits？

查看 PROMPT.md →

用 Metix AI Platform 回答一个问题：招聘标题里最常出现模型生命周期的哪个阶段，每个阶段在哪里招人？只通过公开的 Platform 访问（REST 地址 https://mira-api.metix.ai、MCP 服务或 metix-skills），密钥从 METIX_KEY 读取，任何时候都不要打印密钥。

1. 先读规则再查询。调用 GET /contract（免费），只用 querySpecByEntity.job 里的字段。搜索按 ceil(返回的 ID 数 / 25) 计费，所以 size 1 的计数花 1 API Credit，没有结果的搜索不收费。开始和结束时各调用一次 GET /auth/key/status（免费）查余额，总花费超过 70 API Credits 之前先停下来问我。

2. 阶段。四组标题条件：预训练（pretraining、pre-training）、后训练（post-training、posttraining）、微调（fine-tuning、finetuning）、推理（inference、model serving、llm serving）。每个阶段用一个 any 节点。

3. 每个阶段用同一套防误判条件。match 要求每个词都出现，但不要求连在一起，所以 "pre-training" 也会命中 "Pre-licensed Training Provided"。要求标题里有一个机器学习相关的词（research、engineer、scientist、llm、model、ai、ml、technical），并排除 sales、customer、teacher、trainer、doctoral、pharmacy、licensing、licensed、causal、statistical。后训练不要加 "RLHF"，人力公司反复发布的数据标注岗位会把它淹没。

4. 先抽检再相信。最小的阶段（不到 100 个）把标题全部读一遍，其他阶段各读 50 个。报告有多少是无关的；超过 5% 就补充排除词，四个阶段一起改，并说明改了什么。

5. 计数。每个阶段算全球和 location.country eq "United States" 两次，size 1，一共 8 API Credits。

6. 清洗。这里不合并重复发布，直接说明，不要猜一个修正值。

7. 分组。四个阶段就是四组，连同条件写在一个文件里。

8. 输出。写出 data/stages.json，带 "unit": "jobs" 和快照日期，每个阶段写全球数和美国数。运行前后各调用一次 GET /auth/key/status（免费），余额差就是花费。

9. 图表。每个阶段一根条形，按最大的那根缩放，推理高亮，每根标出数量和美国占比。大数字用推理和预训练的比值，不用某个计数。

10. 局限。只看标题：前沿实验室的很多人挂的是 "Member of Technical Staff" 这类通用头衔，所以每个数都是下限，比较的是招聘标题怎么写，不是团队规模。

方法与局限

统计范围怎么定义、怎么计数和抽检，以及这些数字不能说明什么。

统计范围

2026 年 9 月 21 日 Metix AI Platform 上的在招岗位。每个阶段是一组标题关键词：预训练（pretraining、pre-training）、后训练（post-training、posttraining）、微调（fine-tuning、finetuning）、推理（inference、model serving、llm serving）。每一组还要求标题里有一个机器学习相关的词（research、engineer、scientist、llm、model、ai、ml、technical），并排除 sales、customer、teacher、trainer、doctoral、pharmacy、licensing、licensed、causal、statistical。

为什么要加这些条件

关键词匹配要求每个词都出现，但不要求连在一起，所以 "Pre-licensed Training Provided"（房产销售）和 "Pharmacy Technician in Training" 都会命中预训练。agent 把预训练的 72 个标题全部读了一遍，把这类岗位排除掉，再重读确认。后训练如果加上 "RLHF"，会被一家人力公司反复发布的数据标注岗位淹没，所以不用这个词。四个阶段用同一套条件，比较才公平。

计数

每个阶段做两次计数（全球、美国），每次 1 API Credit，不读取任何岗位记录。同一岗位的重复发布没有合并。条件定义在 queries/。

局限

只看标题，所以都是下限。岗位数衡量需求，不是在职人数。这是快照当天的截面。

推理岗位多过其他所有阶段，是预训练的 8.2 倍

运行这个案例

1获取 key

2连接你的 agent

3检查配置

4粘贴提示词

运行前先问清楚

方法与局限

最近一次复现