Agent Hunt

用数据告诉你，AI 岗位到底需要什么 — 国内外全平台覆盖，跨市场 × 跨行业对比分析。

在线体验：https://agent-hunt.pages.dev

这是什么

Agent Hunt 采集国内外主流招聘平台的 AI 相关岗位 JD，通过 Gemini API 进行结构化解析（含行业分类），生成技能图谱、跨市场对比、行业 AI 渗透分析和个性化学习路径。

不靠猜，靠数据。不看单一市场，看全球。不看单一行业，看全景。

为什么需要这个

AI 正在渗透每一个行业，但：

国内和国际市场对 AI 岗位的定义差异巨大
传统行业（金融、医疗、制造、汽车）的 AI 交叉岗位正在快速增长，但信息分散
求职者不知道该学什么，不知道哪个行业的 AI 机会最大

Agent Hunt 解决的问题：用真实 JD 数据，消除信息差。

核心功能

多平台数据采集

从国内外 10+ 招聘平台采集 AI Agent 相关 JD，统一解析为标准化格式。

市场	平台	优先级
国内	Boss直聘、猎聘	Tier 1
国际	LinkedIn、Indeed	Tier 1
国内	拉勾、脉脉	Tier 2
国际	Wellfound、Glassdoor	Tier 2
远程	RemoteOK、We Work Remotely	Tier 3

AI 驱动的 JD 解析

Gemini API 驱动的中英双语 JD 结构化解析
自动提取：技能要求、薪资范围、经验门槛、工作模式
多语言技能归一化（大模型 = LLM、朗链 = LangChain）

跨市场对比分析（核心差异化）

技能差异：国内 vs 国际，哪些技能是共通的？哪些是各自独有的？
薪资对标：同等级岗位在不同市场的薪资对比（含汇率换算）
岗位定义：国内的"全栈型" vs 国际的"专精型"
Remote 机会：不同市场的远程工作比例

技能图谱

高频技能排行（按平台 / 按市场）
技能关联网络（哪些技能经常一起出现）
技能趋势追踪

个性化学习路径

输入你的现有技能
选择目标市场（国内 / 国际 / 全球）
生成技能差距分析 + 推荐学习顺序 + 资源链接

国内就业市场分析

基于 1513 条国内 JD 的岗位聚类分析。数据来源：Boss直聘、猎聘、拉勾。按 job title 关键词聚类为 14 种典型角色，覆盖率 82%。

国内岗位全景

角色	岗位数	薪资中位数	P25-P75	经验中位数	主要行业
AI/LLM 工程师	350	¥32,500	¥20k-50k	3 年	互联网 · 制造 · 汽车
AI 产品经理	233	¥32,500	¥22.5k-45k	3 年	互联网 · 制造 · 金融
算法工程师/研究员	86	¥50,000	¥30k-65k	3 年	金融 · 互联网 · 医疗
AI 管理/战略	84	¥56,250	¥37.5k-85k	5 年	教育 · 医疗 · 互联网
AI 运营/训练师	83	¥23,000	¥15k-32.5k	3 年	互联网 · 零售 · 金融
自动驾驶/智能座舱	83	¥26,250	¥18.5k-40k	5 年	汽车 · 互联网 · 制造
智能制造/工业AI	82	¥39,000	¥22.5k-60k	5 年	制造 · 互联网 · 汽车
AI 销售/商务	71	¥22,500	¥13.5k-40k	3 年	互联网 · 医疗 · 制造
AI 转型/咨询	64	¥35,000	¥12.5k-55k	5 年	咨询 · 制造 · 零售
AI 教育	30	¥14,750	¥8k-30k	1 年	教育 · 互联网 · 政府
数据分析/数据科学	24	¥30,000	¥12.5k-65k	1 年	金融 · 互联网 · 医疗
AI 风控/合规	18	¥22,500	¥12.5k-45k	3 年	金融 · 互联网 · 咨询

国内核心角色技能画像

1. AI/LLM 工程师（350 岗，国内最大需求）

典型 title：LLM/AI Agent 开发工程师、AI Agent 平台研发工程师、AI 全栈开发工程师

必备技能 (Required)	出现次数	加分技能 (Preferred)
LLM	110	Semantic Kernel
Agent Architecture	54	MCP
Python	24	Reinforcement Learning
RAG	18
Java	14
LangChain	10
Go	8
Prompt Engineering	8
Multimodal AI	8
SQL	7

薪资：¥20k-50k（中位数 ¥32,500）
学历：本科 68% / 硕士 19% / 不限 13%
画像：LLM + Agent + RAG 三件套为核心，Python 是底层必备，Java/Go 用于工程化落地。这是国内 AI 岗位的"标准答案"。

2. 算法工程师/研究员（86 岗，薪资最高的技术岗）

典型 title：AI 推荐算法工程师、算法专家-金融大模型、机器人多模态大模型算法工程师

必备技能 (Required)	出现次数	加分技能 (Preferred)
LLM	19	Generative AI
Machine Learning	4
Data Analysis	3
Python	3
Deep Learning	2
SQL	2

薪资：¥30k-65k（中位数 ¥50,000）— 比 AI 工程师高 54%
学历：硕士 45% / 本科 38% / 博士 9% — 学历门槛最高
画像：偏研究型，需要 ML/DL 基础功底。金融和医疗是主要雇主，对数学和统计能力有隐性要求。

3. AI 产品经理（233 岗，第二大需求）

典型 title：AI 产品经理、AIGC 产品经理、智能客服产品经理、AI Agent 产品经理

必备技能 (Required)	出现次数	加分技能 (Preferred)
LLM	15	RAG
Agent Architecture	9	Knowledge Graph
Computer Vision	2
Function Calling	1

薪资：¥22.5k-45k（中位数 ¥32,500）
学历：本科 83% / 不限 12%
画像：技能要求远低于工程岗，核心是理解 LLM 和 Agent 的能力边界。技术深度不是重点，产品思维和行业认知才是。

4. AI 运营/训练师（83 岗，入门门槛最低）

典型 title：AIGC 产品运营、智能客服训练师、AI 运营经理

薪资：¥15k-32.5k（中位数 ¥23,000）
学历：本科 77% / 不限 20%
画像：Prompt 编写、数据标注、效果优化。不需要编程能力，适合非技术背景入门 AI 行业。

5. AI 管理/战略（84 岗，薪资天花板最高）

薪资：¥37.5k-85k（中位数 ¥56,250）
经验：5 年起步
画像：需要行业经验 + AI 认知的复合能力，纯技术背景不够，需要管理和商业判断力。

6. 行业交叉岗位

角色	岗位数	薪资中位数	核心差异
自动驾驶/智能座舱	83	¥26,250	嵌入式 + 测试为主，AI 技能要求反而不高
智能制造/工业AI	82	¥39,000	薪资高于预期，需要工业领域知识
AI 风控/合规	18	¥22,500	SQL + Python + 数据分析三件套，金融行业特色
医疗AI	9	¥10,000	薪资偏低，但处于早期阶段

国内市场核心发现

AI 工程师和产品经理占据半壁江山（350 + 233 = 583 岗，占 39%），这两个方向是最稳妥的选择
算法岗薪资溢价 54%（中位数 ¥50k vs AI 工程师 ¥32.5k），但学历门槛最高（45% 要求硕士）
非技术岗位机会充足：产品经理（233）、运营（83）、销售（71）、转型咨询（64）加起来占 30%
行业决定技能方向：金融偏数据分析 + SQL，汽车偏嵌入式，制造偏工业 AI，不要只看"互联网 AI"
薪资分化严重：管理层中位数 ¥56k vs 运营/教育中位数 ¥14-23k，同样是 AI 行业差距 3 倍

海外就业市场分析

基于 507 条海外 JD 的岗位聚类分析。数据来源：LinkedIn、Indeed。按 job title 关键词聚类为 11 种典型角色，覆盖率 84%。

海外岗位全景

角色	岗位数	月薪中位数(¥)	P25-P75	经验中位数	主要行业
ML/AI Engineer	75	¥100,286	¥88k-125k	4 年	互联网 · 金融 · 传媒
Software Engineer	63	¥97,702	¥84k-111k	5 年	互联网 · 咨询 · 制造
ML Scientist / Researcher	61	¥117,812	¥91k-143k	3 年	互联网 · 医疗 · 汽车
Product Manager	56	¥118,896	¥105k-125k	5 年	互联网 · 医疗 · 金融
Engineering Leadership	55	¥135,905	¥112k-173k	10 年	医疗 · 互联网 · 金融
Autonomous Vehicles	20	¥38,364	¥35k-44k	3 年	汽车
Finance / Operations	17	¥85,803	¥86k-114k	6 年	医疗 · 金融 · 互联网
Solutions Architect	14	¥99,681	¥94k-111k	6 年	互联网 · 汽车 · 制造
AI Sales / BD	11	¥137,500	¥104k-146k	7 年	互联网 · 医疗
Intern / New Grad	10	¥58,424	¥44k-64k	0 年	制造 · 汽车 · 金融
Data Scientist / Analyst	9	¥113,281	¥82k-142k	6 年	互联网 · 咨询 · 医疗

海外核心角色技能画像

1. ML/AI Engineer（75 岗，海外最大 AI 技术岗）

典型 title：AI Engineer、AI/ML Engineer、Python AI/ML Developer、Senior ML Engineer

必备技能 (Required)	出现次数	加分技能 (Preferred)
Python	44	Multimodal AI
LLM	27
Machine Learning	19
Prompt Engineering	17
SQL	16
PyTorch	15

薪资：¥88k-125k（中位数 ¥100,286）
学历：本科 40% / 不限 15% / 不指定 31%
vs 国内 AI 工程师：海外要求 Python(59%) + ML(25%) + PyTorch(20%) 作为基础，国内只看 LLM + Agent。技术栈更深、更广。

2. ML Scientist / Researcher（61 岗，薪资最高的技术岗）

典型 title：Applied Scientist、Machine Learning Researcher、Senior Applied Science Manager

必备技能 (Required)	出现次数	加分技能 (Preferred)
Python	37	React
Machine Learning	22	TypeScript
SQL	18	Next.js
Deep Learning	17	DevOps
LLM	13
C++	11

薪资：¥91k-143k（中位数 ¥117,812）
学历：硕士 34% / 本科 23% / 博士 20% — 学历要求最高
画像：需要扎实的 ML/DL 理论 + Python + C++ 工程能力。Amazon "Applied Scientist" 系列是典型代表。

3. Software Engineer（63 岗，技能要求最全面）

典型 title：Full Stack Engineer、Software Development Engineer、Senior Software Engineer

必备技能 (Required)	出现次数	加分技能 (Preferred)
Python	35	Kubernetes
Java	35	Docker
C#	28	Anthropic API
AWS	25
SQL	24
React	23

薪资：¥84k-111k（中位数 ¥97,702）
画像：不是纯 AI 岗，而是需要 AI 能力的全栈工程师。多语言（Python + Java + C#）+ 云平台（AWS）+ 前端（React）全要会。

4. Product Manager（56 岗，薪资超过多数工程岗）

典型 title：Product Manager、Senior Product Manager、Product Operations Manager

必备技能 (Required)	出现次数	加分技能 (Preferred)
Data Analysis	22	Python
Generative AI	8	Java
LLM	7	Microservices
Prompt Engineering	4	Kubernetes
RAG	3

薪资：¥105k-125k（中位数 ¥118,896）— 比 ML Engineer 还高
vs 国内 AI PM：海外 PM 核心要求是 Data Analysis（22 次），国内 PM 核心是理解 LLM（15 次）。海外 PM 更偏数据驱动，国内 PM 更偏技术理解。

5. Solutions Architect（14 岗，Agent 框架要求最全面）

典型 title：Solutions Architect、Customer Engineer、Principal AI/ML Architect

必备技能 (Required)	出现次数
RAG	5
JavaScript	5
AWS	4
LangGraph	4
CrewAI	4
AutoGen	4

画像：唯一一个同时要求 LangGraph + CrewAI + AutoGen 三大 Agent 框架的角色。需要能将 AI 能力整合到企业架构中。

6. Intern / New Grad（10 岗，入门参考）

必备技能 (Required)	加分技能 (Preferred)
Python(5)、SQL(3)、C++(2)	Git(2)、TensorFlow(2)、Azure(1)

薪资：¥44k-64k（中位数 ¥58,424）— 应届即可拿到国内资深工程师的水平
画像：Python + SQL 是起步线，ML 基础 + 一个 DL 框架是加分项

海外市场核心发现

ML Scientist 薪资最高（中位数 ¥117k），但学历门槛也最高（54% 硕士/博士）
Product Manager 薪资超过工程师（¥119k vs ML Engineer ¥100k），Data Analysis 是 PM 的第一技能
Software Engineer ≠ AI Engineer：SDE 需要多语言（Python + Java + C#）+ 云 + 前端，是"会 AI 的全栈"而非"专做 AI"
海外应届薪资 ¥58k，约等于国内 AI 管理层中位数（¥56k）
Solutions Architect 是 Agent 生态的集大成者：同时要求 3 个 Agent 框架 + 云平台 + 全栈能力
AI Sales 薪资 ¥137k，仅次于 Engineering Leadership，非技术路线的天花板

技术栈

层	技术
后端	Python 3.11 · FastAPI · SQLAlchemy 2.0 (async) · Celery
前端	Next.js 16 · Tailwind · shadcn/ui · Recharts · Cloudflare Pages
AI	Gemini API (gemini-2.5-flash) · pgvector · 多语言技能归一化
数据采集	Playwright · Chrome Extension · 策略模式 + 注册表模式
基础设施	PostgreSQL 16 · Redis 7 · Docker Compose

项目结构

agent-hunt/
├── backend/                    # FastAPI 后端（已实现）
│   ├── app/
│   │   ├── api/v1/             # REST API 路由（jobs, platforms, skills, analysis）
│   │   ├── collectors/         # 多平台数据采集器（策略模式 + 注册表）
│   │   ├── models/             # SQLAlchemy 数据模型（Job, Platform, Skill）
│   │   ├── schemas/            # Pydantic 请求/响应 schema
│   │   ├── services/           # 业务逻辑（JD解析、技能提取、跨市场分析）
│   │   ├── tasks/              # Celery 异步任务
│   │   ├── config.py           # pydantic-settings 配置（AH_ 前缀）
│   │   ├── database.py         # 异步数据库引擎（asyncpg）
│   │   └── main.py             # FastAPI 入口（启动时自动加载种子数据）
│   ├── alembic/                # 数据库迁移
│   ├── tests/                  # pytest + pytest-asyncio
│   └── pyproject.toml
├── frontend/                   # Next.js 前端（已部署到 Cloudflare Pages）
│   ├── src/app/                # 页面（总览、技能图谱、薪资分析、市场差异、岗位画像）
│   ├── src/components/         # UI 组件（shadcn/ui + InsightCard）
│   ├── src/lib/                # API 客户端 + 标签映射
│   └── public/data/            # 预导出的静态 JSON 数据
├── extension/                  # Chrome 浏览器插件（已实现 4 平台内容脚本）
│   ├── content_scripts/        # 各平台 JD 提取脚本
│   └── popup/                  # 插件弹窗 UI
├── data/                       # 种子数据 + 配置
│   ├── seed_platforms.json     # 10 个平台元数据
│   ├── seed_skills.json        # 68 个 AI 技能（中英双语别名）
│   ├── skill_aliases.json      # 技能同义词映射表（210+ 条）
│   └── search_keywords.json    # 跨行业采集关键词矩阵（50+ 关键词）
├── docs/
│   └── domestic-scraping-strategy.md  # 国内平台爬虫技术方案
├── docker-compose.yml          # PostgreSQL 16 (pgvector) + Redis 7
└── .env.example

数据模型

三个核心表：

platforms — 招聘平台元数据（市场、Tier、采集难度、数据质量等）
jobs — JD 数据（原始文本 + LLM 解析后的结构化字段），通过 (platform_id, platform_job_id) 联合唯一约束去重
skills — 技能分类（含 JSONB 多语言别名、按市场统计计数）

快速开始

git clone <repo-url>
cd agent-hunt

# 1. 启动基础设施
cp .env.example .env          # 填入 Gemini API Key
docker compose up -d

# 2. 安装后端依赖
cd backend && uv venv --python 3.11 .venv && uv pip install -e ".[dev]"

# 3. 运行数据库迁移
.venv/bin/alembic upgrade head

# 4. 启动后端（自动加载种子平台和技能数据）
.venv/bin/uvicorn app.main:app --reload

# 5. 前端（可选，已部署到 Cloudflare Pages）
cd ../frontend && npm install && npm run dev

启动后访问 http://localhost:8000/docs 查看 Swagger API 文档。

API 端点

GET  /health                              — 健康检查

# Jobs
POST /api/v1/jobs/import                  — 导入单条 JD
POST /api/v1/jobs/import/batch            — 批量导入（最多 100 条）
POST /api/v1/jobs/collect                 — 触发平台采集（采集 → 导入 → 自动解析）
POST /api/v1/jobs/parse/batch             — 批量 Gemini 解析
GET  /api/v1/jobs                         — 职位列表（分页 + 筛选）
GET  /api/v1/jobs/{id}                    — 职位详情
POST /api/v1/jobs/{id}/parse              — 单条解析

# Skills
GET  /api/v1/skills                       — 技能列表（含国内/国际计数）
POST /api/v1/skills/normalize             — 触发技能归一化（采集新数据后运行）
GET  /api/v1/skills/unmatched             — 未匹配的原始技能（用于扩展 aliases）

# Analysis
GET  /api/v1/analysis/salary/distribution — 薪资分布直方图
GET  /api/v1/analysis/salary/by-skill     — 各技能关联薪资
GET  /api/v1/analysis/salary/by-experience — 按经验分段薪资
GET  /api/v1/analysis/salary/by-platform  — 按平台薪资
GET  /api/v1/analysis/cross-market/overview   — 国内 vs 国际总览
GET  /api/v1/analysis/cross-market/skills     — 各市场 Top 技能
GET  /api/v1/analysis/cross-market/skill-gaps — 技能需求差异排名
GET  /api/v1/analysis/cooccurrence            — 技能共现分析
GET  /api/v1/analysis/industry/overview       — 行业 AI 渗透总览
GET  /api/v1/analysis/industry/salary         — 各行业 AI 岗位薪资

# Platforms
GET  /api/v1/platforms                    — 平台列表
GET  /api/v1/platforms/{id}               — 平台详情

数据采集策略

数据采集是本项目的核心硬需求。经过调研，各平台均无官方 API 直接提供 JD 批量检索，必须通过多种技术手段攻克。

详细技术方案见 docs/domestic-scraping-strategy.md

国内平台（必须攻克）

国内平台是数据源的重中之重，采用多路并进、逐层升级策略：

Layer 0: 手动导入 JSON（保底）
Layer 1: Chrome 浏览器插件（浏览时自动提取）
Layer 2: Playwright 浏览器自动化（模拟真人操作）
Layer 3: API 逆向 + 请求模拟（高效批量）
Layer 4: 移动端 API 抓包（反爬可能更弱）

平台	主力方案	反爬难度	关键挑战	已验证的开源参考
Boss直聘	Playwright + Cookie 持久化	最高	薪资字体加密、设备指纹、登录墙	auto-zhipin (Playwright)
猎聘	Playwright + 页面等待	中高	动态参数、搜索需手动点击	job-hunting-tampermonkey
拉勾	Playwright / POST API 模拟	中	登录墙、Cookie 依赖	ECommerceCrawlers

国际平台

平台	主力方案	备注
LinkedIn / Indeed / Glassdoor	JobSpy (Python)	同时抓取多平台，输出 CSV
补充数据	Adzuna API	多国职位聚合 API

合规原则

仅采集公开可访问的职位信息
不存储任何个人信息（HR 姓名、联系方式等）
数据仅用于统计分析，不原文展示他人内容
自动化采集设置合理延迟（3-8 秒 / 请求）
单次会话限量（50-100 条）

项目状态

积极开发中 — v0.6 已上线，角色聚类分析 + 分市场独立分析 + SCI 评分模型

在线体验：https://agent-hunt.pages.dev

Phase	内容	状态
1	数据采集管道 + 5 平台采集器（LinkedIn/Indeed/猎聘/Boss直聘/拉勾）	已完成 ✅
2	跨市场分析引擎（技能归一化、薪资分析、技能共现）	已完成 ✅
3	前端 7 页 + AI 洞察 + 岗位画像 + 学习路径	已完成 ✅
4	行业维度扩展（13 行业分类 + 关键词矩阵 + 行业分析页面）	已完成 ✅
5	AI 洞察报告 + 跨行业数据扩充（2370 条 JD）	已完成 ✅
6	角色聚类分析 + 分市场独立分析 + SCI 评分模型	已完成 ✅
7	持续增强（aliases 扩展、Chrome 扩展、Celery 定时采集、用户系统）	待开始

Phase 1 完成总结

基础设施 ✅

国际平台 ✅

JobSpy 集成（LinkedIn / Indeed 采集器）— 105+ 条

国内平台 ✅

猎聘 Playwright 采集器（无需登录，单页 42 条含 JD 详情）
Boss直聘 Playwright 采集器（Cookie + 薪资字体解密）
拉勾 Playwright 采集器（Cookie + 滑块验证绕过）
Cookie 导出工具（scripts/export_cookies.py）
全部 JD 已 Gemini 结构化解析（含行业分类）

Phase 2 完成总结

技能归一化 ✅

SkillExtractor（skill_aliases.json 180+ 条映射 → 67 个标准技能）
归一化端点 POST /skills/normalize + 未匹配技能查看 GET /skills/unmatched

薪资分析 ✅

薪资分布直方图（按市场/平台筛选）
按技能关联薪资（哪些技能薪资最高）
按经验/平台分段薪资

跨市场对比 ✅

国内 vs 国际总览（薪资、工作模式、学历、经验分布）
各市场 Top N 技能排名
技能需求差异排名（skill gap analysis）

技能共现分析 ✅

技能共现矩阵 + Top pairs（含 Jaccard 系数归一化）

Phase 3 完成总结

前端 Dashboard ✅ （Next.js 16 + Tailwind + shadcn/ui + Recharts）

5 个页面：总览、技能图谱、薪资分析、市场差异、岗位画像
中文界面 + Cloudflare Pages 静态部署
Gemini AI 生成的市场洞察（每页顶部）
JD 样本展示（点击技能查看真实 JD 摘要）
3 个岗位画像（国内/国际/远程）
4 条学习路径推荐（Python 转型、前端转型、应届生、出海）
静态数据生成脚本（scripts/generate_insights.py）

Phase 4 完成总结

行业维度扩展 ✅

Job 模型新增 industry 字段 + Alembic 迁移 002
Gemini 解析自动识别 12 个行业（互联网/金融/医疗/制造/汽车/零售/教育/媒体/咨询/能源/通信/政府）
499 条 JD 重新解析并标注行业
行业分析 API 端点（/analysis/industry/overview、/analysis/industry/salary）
前端行业分析页面（行业岗位分布图 + 薪资对比 + 行业卡片）
跨行业采集关键词矩阵（data/search_keywords.json，50+ 关键词 × 10 分类）
批量采集脚本（scripts/batch_collect.py）

Phase 5 完成总结

AI 洞察报告 + 数据扩充 ✅

跨行业关键词矩阵采集（50+ 关键词），数据从 521 → 2370 条 JD
AI 市场洞察报告（/report 页面，Gemini 生成 5 个章节）
- 全景概览、行业深度分析、跨界求职指南、趋势判断、核心发现
报告生成脚本（scripts/generate_report.py）
前端 8 个页面全部上线

Phase 6 完成总结

角色聚类分析 + 分市场独立分析 ✅

岗位角色聚类（scripts/analyze_roles.py）：按 job title 关键词聚类为典型角色
- 国内 14 种角色（AI/LLM 工程师、AI 产品经理、算法工程师等）
- 海外 11 种角色（ML/AI Engineer、Software Engineer、ML Scientist 等）
每种角色包含：必备/加分技能、薪资分布、学历/经验要求、行业分布
分市场独立分析：国内/海外技能排名、行业矩阵、共现网络完全分开计算
SCI（Skill Criticality Index）评分模型：综合频率、薪资溢价、增长趋势的技能关键度指数
分市场数据导出（scripts/export_market_data.py）
README 重构为角色维度分析，从"看技能"升级为"看角色 × 技能 × 行业"

Contributing

欢迎贡献！特别欢迎以下方向：

新平台采集器的实现
种子 JD 数据的补充（data/sample_jds/）
技能同义词映射的完善（data/skill_aliases.json）

License

MIT

Name		Name	Last commit message	Last commit date
Latest commit History 23 Commits
.github/workflows		.github/workflows
backend		backend
data		data
docs		docs
extension		extension
frontend		frontend
.env.example		.env.example
.gitignore		.gitignore
CLAUDE.md		CLAUDE.md
README.md		README.md
docker-compose.yml		docker-compose.yml

Folders and files

Latest commit

History

Repository files navigation

Agent Hunt

这是什么

为什么需要这个

核心功能

多平台数据采集

AI 驱动的 JD 解析

跨市场对比分析（核心差异化）

技能图谱

个性化学习路径

国内就业市场分析

国内岗位全景

国内核心角色技能画像

1. AI/LLM 工程师（350 岗，国内最大需求）

2. 算法工程师/研究员（86 岗，薪资最高的技术岗）

3. AI 产品经理（233 岗，第二大需求）

4. AI 运营/训练师（83 岗，入门门槛最低）

5. AI 管理/战略（84 岗，薪资天花板最高）

6. 行业交叉岗位

国内市场核心发现

海外就业市场分析

海外岗位全景

海外核心角色技能画像

1. ML/AI Engineer（75 岗，海外最大 AI 技术岗）

2. ML Scientist / Researcher（61 岗，薪资最高的技术岗）

3. Software Engineer（63 岗，技能要求最全面）

4. Product Manager（56 岗，薪资超过多数工程岗）

5. Solutions Architect（14 岗，Agent 框架要求最全面）

6. Intern / New Grad（10 岗，入门参考）

海外市场核心发现

技术栈

项目结构

数据模型

快速开始

API 端点

数据采集策略

国内平台（必须攻克）

国际平台

合规原则

项目状态

Phase 1 完成总结

Phase 2 完成总结

Phase 3 完成总结

Phase 4 完成总结

Phase 5 完成总结

Phase 6 完成总结

Contributing

License

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases 3

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages