立正讲过，机器学习本身很有前途，但它的价值已经变成工程问题而不是科学问题，所以更适合由机器学习工程师来做，而不是数据科学家；多数人没有条件去解决真正的科学问题，公司慢慢也会发现招数据科学家做这件事未必比招工程师成效好。按这个判断，recommendation 或 personalization 的 MLE 有没有前途，关键不在“推荐”这个方向，而在你是否真的在把系统做出来：数据管道、特征、上线、反馈闭环。如果只是调模型、跑离线指标，那和他说的问题一样。反过来，如果岗位让你负责端到端的工程，方向本身不构成障碍⁠1。

在讲 Jobright 那期里，Ethan 说他们从第一天就清楚 data layer 和 recommendation 是招聘产品的底层本质，因为岗位不新、不真、不准，后面所有功能都建在错误基础上；他花了一年带团队搭爬虫，认为这是最底层、必须做对的东西。这是嘉宾的判断，不是立正本人的主张，但它说明推荐与数据这类能力在 AI 产品里被放在底层位置，而不是表层功能。对照来看，管 Fabric、Databricks、Snowflake、Azure 的平台工程更靠近基础设施与集成，价值同样真实，只是离用户行为反馈更远。哪边更有前途，取决于你想积累的是“理解用户并影响结果”的能力，还是“让数据与算力稳定可用”的能力⁠2。

立正给数据人的回应是：工作内容一定会大变，什么都不改才是最冒险的；编程能力本身在溢出，可以找程序员合作，但解决问题、创造价值远不止编程一个环节，关键是别停在聊天框里，要把 AI 当杠杆用起来。放到你的选择上，可以这样试：挑一个你手上真实存在的推荐或数据问题，用 AI 工具自己走一遍从数据到上线的小闭环，看你是更享受把系统跑通，还是更享受把平台和权限理顺。这个尝试能帮你判断自己更适合哪条路，而不是先替岗位下结论⁠3。