领域树定位：18 个顶层领域之一。本页只回答三件事——这个领域是什么、里面有哪些岗位、该从哪一页读起。具体某个岗位怎么干，看对应的岗位页。
这是「岗位百科金字塔」的领域页（L1）：它不重复讲某个岗位怎么干——那是岗位页（L2）的事——它回答三个更上游的问题：这个领域是干什么的、里面有哪些岗位、你该从哪一页读起。
本领域页覆盖人工智能与数据领域，串联本库 3 篇数据与算法岗位技能书。阅读约定：篇名 为库内双链，可直接跳转。
边界说明：本领域的岗位与本库互联网与软件技术领域高度相邻（同属技术大类、常在同一团队协作），但与业务研发线是两类不同的能力模型——研发线交付功能，本领域交付判断与模型。故在领域树中单列为独立顶层领域。
数据与智能是**"从既有信息里挖出增量价值"**的领域。它有三个层次的能力：把数据收上来、洗干净（数据工程）；从数据里看出规律、给出结论（数据洞察）；让机器从数据里学会做判断（模型与算法）。三条线共用同一批数据底座，但输出的东西完全不同——一条产出管道，一条产出判断，一条产出能力。
从求职者视角看这个领域有三个结构性特征：
第一，门槛是分层的，而且层与层之间的门禁不同。 数据工程与分析的准入门槛主要是工程能力与业务理解，可跨专业进入；算法方向则对数学基础与学历有实质要求，通常被视为技术岗中的高门槛支线。这意味着同一个领域里，"努力就能上"和"必须补齐前置条件才能上"是并存的——判断自己站在哪一侧，比盲目投简历重要。
第二，价值兑现依赖业务场景，纯技术深度的天花板有限。 同一套数据能力，放在电商、金融、制造、医疗里的产出差异巨大，原因不在技术而在对业务问题的理解。这个领域最容易被低估的能力是"把业务问题翻译成数据问题"，而它恰好是跨专业背景者最容易建立差异化的地方。
第三，AI 应用侧的岗位正在快速分裂。 公开信息里可以看到，模型能力本身在快速商品化，而围绕"如何把模型用进具体业务"的工程与产品岗位在增加。这为不具备算法研究背景的人打开了一扇门：懂业务、懂数据、会用工具，就已经能承接相当一部分岗位需求。
本库该领域的 3 篇资产按"数据工程 → 数据洞察 → 模型算法"的能力阶梯组织。
2.1 先读这两篇：看清阶梯的两端
- 08-数据分析师技能书|数据分析师技能书：阶梯中离业务最近、离数学最远的一端，也是非科班背景进入本领域阻力最小的入口；
- 04-算法工程师技能书|算法工程师技能书：阶梯中门槛最高的一端，读懂它的能力要求，有助于你判断自己是否需要先补齐学历与数学前置条件。
这两篇一低一高，中间的位置由大数据开发与各类应用型岗位填充。
2.2 数据工程侧：把管道建起来
- 07-大数据开发工程师技能书|大数据开发工程师：负责数据采集、清洗、存储与规模化计算，是"工程能力 + 数据知识"的组合岗；对纯数学的要求低于算法，对编程与系统能力的要求接近后端开发。它是技术背景转向数据领域最稳的一步，也是整个领域存在的前提——没有可用的数据管道，分析与算法都无从谈起。
2.3 数据洞察侧：把结论拿出来
- 08-数据分析师技能书|数据分析师：用数据回答业务问题，输出判断与建议。这个岗位的能力重心通常不在技术深度，而在业务理解、指标设计与表达——一份分析能不能推动决策，取决于讲得清不清楚。它是商科、社科、语言类背景进入技术领域最常见也最有效的落点。
2.4 模型与策略侧：把能力做出来
- 04-算法工程师技能书|算法工程师：负责模型与策略的设计、训练与迭代，能力要求是数学与工程的双重叠加。这个方向内部也在分化——从模型研究到策略工程、到把成熟模型落地成业务能力，不同位置的准入门槛差异明显。如果目标是算法，务必尽早确认学历与数学基础是否够用，因为这不是靠短期补课能跨过的门槛。
2.5 覆盖缺口（如实标注）
本库目前覆盖上述 3 篇。2026-09-23 本轮已补齐 L2 岗位页 4 篇：数据治理与数据质量、机器学习工程（MLOps）、AI 应用与提示工程、商业智能（BI）与数据可视化（见 L2-人工智能与数据-01-数据治理与数据质量|数据治理与数据质量、L2-人工智能与数据-02-机器学习工程MLOps|机器学习工程（MLOps）、L2-人工智能与数据-03-AI应用与提示工程|AI 应用与提示工程、L2-人工智能与数据-04-商业智能BI与数据可视化|商业智能（BI）与数据可视化）。数据产品经理因产品属性更强，已归入 06-产品与运营 领域出稿（见 L2-产品与运营-02-数据产品经理|数据产品经理），本页不重复产出。2026-09-24 续批已补齐 L2 岗位页 2 篇：推荐与搜索算法（L2-人工智能与数据-06-推荐与搜索算法|推荐与搜索算法）、大模型应用工程师（L2-人工智能与数据-07-大模型应用工程师|大模型应用工程师）。至此本领域 L2 岗位页共 6 篇，覆盖数据治理、MLOps、AI 应用与提示工程、BI、推荐搜索与大模型应用六块。
数学/统计/物理等理科背景：主战场在模型与算法侧。若学历与数学基础足够，直接盯算法岗；若担心研究型门槛，可先以大数据或分析岗入行，再向算法靠拢——这条路走得通，但需要主动把项目经验往建模方向做。
计算机/软件工程背景：从大数据开发切入最顺，工程能力可直接复用，补齐数据建模与 SQL 深度即可；之后按兴趣向分析或算法分岔。
商科/社科/语言类背景：数据分析是最现实的入口。核心竞争力不是技术，而是把业务问题讲清楚、把结论讲明白。建议以"一份完整的数据分析作品"代替课程证书——在这个方向上，作品的说服力远高于简历上的技能罗列。
以下均为公开口径的泛化表述，不指向任何具体企业：整体来看，通用型数据分析岗位的入门竞争在加剧，而具备明确行业纵深的数据岗位（行业指标体系、行业数据建模）需求相对稳定；数据工程与平台方向的需求受企业数字化投入影响，制造业与传统行业的数字化部门持续释放岗位；算法方向的需求呈现两极分化——研究型岗位门槛继续抬高，而应用型与工程化岗位（把模型接入业务）的招聘规模在扩大，且对学历的硬性要求低于研究岗。另一个公开可见的趋势是：AI 工具本身正在成为数据岗的基础工具，会用它不构成优势，不会用则构成劣势。
对求职者的含义：在这个领域，"懂业务的数据人"比"纯技术的数据人"更好找工作。选行业比选技术栈更影响你的就业面。
应届生（理科/计算机）：07 → 08（建立业务视角）→ 04（判断天花板与门槛）→ 回到已选方向扎深。 非技术背景转行：08 → 业务知识（选一个行业）→ 07（补工程能力，视目标岗位决定）。 在职技术岗转向数据：07 → 04 或 08（按自己更享受工程还是判断来选）→ 用一份真实项目替代课程堆砌。
读完后若只记住一句话，记住这句：这个领域的分层不是"高低"，而是"离数据多近、离业务多近"——先想清楚你想产出管道、判断还是能力，再决定补什么。
本文为基于公开行业信息整理的求职认知类领域页，不对应任何具体企业；文中行业描述均为公开口径的泛化表述，不构成投资建议，仅作求职定位参考；所链各岗位页与同属本库的系列资产共同构成领域知识地图；本文不构成任何企业的招聘标准陈述；不建议虚构案例。
本页所属：00-索引｜本领域岗位页：L2-人工智能与数据-01-数据治理与数据质量|数据治理与数据质量、L2-人工智能与数据-02-机器学习工程MLOps|机器学习工程MLOps、L2-人工智能与数据-03-AI应用与提示工程|AI应用与提示工程、L2-人工智能与数据-04-商业智能BI与数据可视化|商业智能BI与数据可视化、L2-人工智能与数据-06-推荐与搜索算法|推荐与搜索算法、L2-人工智能与数据-07-大模型应用工程师|大模型应用工程师
说明：本页为领域页（L1），内容由本领域 L2 岗位页与库内已有资产归纳串联而成，属内部归纳件。按页级简化口径处理：source_url 留空（不逐条向外配对）；as_of_date 取本领域 L2 篇目的最早
data_cutoff；置信级 B（基于已完成逐条溯源的 L2 资产归纳，非一手来源直引）。
一、本页内容的来源性质
- 本页串联本库人工智能与数据领域资产 3 篇（数据分析师技能书、算法工程师技能书、大数据开发工程师技能书），以及本领域 L2 岗位页 6 篇：数据治理与数据质量、机器学习工程（MLOps）、AI 应用与提示工程、商业智能（BI）与数据可视化、推荐与搜索算法、大模型应用工程师。
- 页内"数据工程 → 数据洞察 → 模型算法"的能力阶梯划分、各篇一句话定位与门槛提示，均可在上述 L2 岗位页与库内资产中找到对应篇目；本页不新增外部事实，属归纳件。
二、页内可核事实的指向
- 第二节岗位地图各分节（2.1–2.4）逐条列出双链篇目与一句话定位，属编目事实，可直接核对库内文件。
- 第二节 2.5「覆盖缺口（如实标注）」与页脚「本领域岗位页」清单，为编目事实，反映截至 2026-09-24 的入库状态（L2 岗位页共 6 篇）。
- 页内关于"数据产品经理归入 06-产品与运营领域出稿、本页不重复产出"的说明，为库内编目口径陈述，非外部事实；页首"边界说明"中本领域与互联网与软件技术领域的分工口径同属库内分类陈述。
三、时间截面
- 本页 as_of_date = 2016-09-15，取本领域 L2 篇目最早
data_cutoff值；各篇取值依据与法源见对应 L2 篇目附一第五节。 - 页内出现的"2026-09-23""2026-09-24"为编目日期（补齐 L2 篇目的批次日期），非外部事实的时间属性。
四、通识性陈述（无单一来源，不作外部配对）
- 第四节"领域人才需求趋势"为公开口径的泛化表述，不指向具体企业，亦无单一可引来源，按通识口径处理；其中关于算法岗位需求两极分化、应用型岗位招聘规模扩大的判断属公开口径泛化。
- 第三节"按背景选入口"的三条路径、第一节三条结构性特征（门槛分层、价值兑现依赖业务场景、AI 应用侧岗位分裂），均为求职方法论与通识归纳。
五、文档级汇总（回填 frontmatter 用）
- data_cutoff 修正值：
2026-09-23→2016-09-15 - audit_level：B（内部归纳件，基于已逐条溯源的 L2 资产）
- 来源合计：0 个外部唯一 URL（页级简化口径，source_url 留空）
- source_url：（留空，标注「内部归纳件」）
- 版本注记： ① 本页为领域页，不直接引用外部一手法律、政策或标准原文；如需外部依据，一律回查所链 L2 岗位页附一的一至三节。 ② as_of_date 采用"本领域 L2 篇目最早值"口径，仅标示本页内容的间接时间下限，不代表本页成文日期。 ③ 页内"门槛分层""学历要求""AI 工具已成基础工具"等表述均为公开口径泛化，不得转引为具体企业招聘标准或技术能力承诺。