人工智能与数据
└─ 模型与策略侧
├─ 机器学习工程（MLOps） ← L2-人工智能与数据-02-机器学习工程MLOps
├─ AI 应用与提示工程 ← L2-人工智能与数据-03-AI应用与提示工程
├─ 算法工程师 ← ← 本篇
├─ 推荐与搜索算法 ← L2-人工智能与数据-06-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
领域树分支为本库自建的组织结构，非官方分类；官方职业分类中与本篇最近的是「人工智能工程技术人员」（职业编码 2-02-10-09）。
一句话定位：算法工程师是模型与策略侧的通用岗——它不绑定某一类具体业务方向，凡是以「把业务问题建成可部署、可度量的模型」为主要交付物的位置，都落在这个岗名下。方向细分（推荐与搜索、大模型应用等）在领域树中单列，本篇只讲公共底座，以及与各细分岗的边界。
本库之所以把这个通用岗与几个细分岗并列建页，是因为求职时最容易出错的一步就是把"算法工程师"当成一个具体岗位去投：招聘方说的算法工程师，可能在做搜索排序，可能在做风控评分，也可能在做大模型应用——名字一样，能力要求与工作内容差得很远。本篇的作用是先把这个公共底座讲清楚，遇到具体岗位时再对照细分页判断。
一句话定义：算法工程师是以统计学习、优化理论和工程化能力，把业务问题建模为可部署、可衡量、可迭代的模型服务的岗位；日常用 Python 与机器学习框架完成数据理解、特征工程、模型训练与评估、效果迭代与线上监控，并把模型效果转化为业务指标的提升。
先说清楚这个岗位的三种叫法。 国内招聘市场上，同一件事至少有三个名字：算法工程师（偏工程与落地）、机器学习工程师（偏训练与部署，与 MLOps 有交叠）、数据科学家（偏研究与洞察，见附一第 18 条美国劳工部职业库口径）。三者的实际分界不在名字，而在交付物：交付能上线的模型 → 偏算法工程；交付模型流转的基础设施 → 偏 MLOps；交付结论与决策建议 → 偏数据科学。面试时把交付物问清楚，比看岗位名可靠。
职责边界（五类日常）
一、数据理解与特征工程
这一环决定模型效果的上限，也决定算法岗与数据岗的分野。数据治理与 BI 岗位交付的是数据资产——干净的、有标准、可被多方使用的数据；算法工程师交付的是特征——从数据里提炼出对预测有信息量的变量。同一份用户行为日志，数据工程侧关心它有没有丢、有没有重复、字段口径对不对；算法侧关心的是「从这份日志里能造出什么能提高点击率的信号」。
百科资料数据截止：2026-07