未来几年数据相关岗位会往什么方向演变?像我这样有多年 BI / Analytics 经验、已经相对较多使用 Agent在当前工作的人,如何系统性学习调整自己的 skill set保持竞争力?

提问

AI根据立正公开的文章和视频整理,不是他本人回复

数据岗位的价值重心会从“亲手做分析”转向“设计系统、定义评估、判断该不该自动化”;你的学习重点应是补上判断与验证能力,而不是再学更多工具。

岗位方向:从执行者变成系统设计者

材料里的观点

立正把 Data Scientist 这类岗位称为“中间层”:懂一点业务、操作一点数据、输出一点洞察,其中大量具体动作正是 AI 擅长压缩的。他给出的转型方向是往“更接近模型、也更接近结果”的位置走,名称可以是 AI engineer、AI architect、builder 等,实质是负责设计整个系统如何用 AI 做出结果,而不是负责一段具体执行。这类人的价值落在四件事:把模糊业务问题翻译成 AI 能消费的 context;设计 eval、反馈回路和标准;编排模型、工具、数据和流程;判断什么该自动化、什么该人工接管⁠1。他另在对话中提出,会用 agents 的人会先变多,之后 AI architect 会更稀缺——这是他本人的判断,不是已被数据验证的结论⁠2。

你的“无脑 approve”正是要补的那一环

立正把 AI 使用差距总结为递进关系:先能产出可用结果,再能判断质量,然后把完整任务交出去并行驱动,再把经验沉淀成可复用的系统,最后让 AI 成为思考伙伴。他明确说,“AI 不靠谱”多数时候不准确,更准确的原因是 context 不完整、评估机制不严、debug 能力不成熟、系统记忆没建立⁠3。这直接对应你的处境:你已经跨过“产出”和“交任务”,卡在“判断质量”这一层。Marco Casalaina 也提到,上线变容易会让很多坏想法直接进生产,所以需要试点、让真实用户反馈,并把反馈纳入评分标准(rubrics),让评估检验系统是否符合用户真正想要的行为⁠4。他还说每个工程师都该有基础理解:AI 是什么、怎么用、怎么给 agent 提供上下文、怎么写 rubric⁠4。

学习方式:先行动,再按瓶颈补知识

结合提问者的处境

立正主张学习三环节的比例约为行动 6、思考 3、求知 1:用行动引领思考,用思考引领求知,遇到瓶颈再针对性学知识;先行动先思考,才能培养出判断该学什么的能力⁠5。落到你身上,可以这样用:选一类你目前最常直接 approve 的分析或 pipeline 任务,先自己写出“什么算对”的验收标准和几个反例,再让 agent 跑,最后对照结果看它错在哪。这个动作同时练了 eval 设计和 debug,也让你重新进入判断环节,而不是只做审批。另一条可操作的做法是把反复做的任务沉淀成模板或 skill 文档,每用一次优化一次,而不是每次从空白对话开始⁠6。这两条是 AI 基于上述材料的应用建议,不是原文对你个人情况的诊断。

关于数据岗位未来几年的整体供需变化,提供的片段只有立正的个人判断和零散讨论,没有系统性就业数据;《AI时代,找工作的难度,远超你想象》⁠2中嘉宾的回应段落未确认发言,无法用于核对。

回到6份原文