中文 AI 社区掘金上周这篇《LLM 面试必问的 8 个问题》阅读量过万，评论区高频词是"答不上来直接淘汰"。我们注意到：AI 工程师的技术门槛，正从"会调框架"抬到"懂底层数学"。这件事对不写代码的企业管理者，也开始有间接影响。

这是什么

文章是一份给 AI 应用层工程师的通关指南，覆盖 Transformer 架构（2017 年 Google 提出的核心算法框架）、Self-Attention 自注意力（让模型理解词与词之间关系的机制）、Multi-Head Attention 多头注意力、位置编码（让模型理解词序，RoPE 是当前主流方案）、Tokenization 文本切分、上下文窗口、采样策略、幻觉问题、Function Calling 函数调用、MCP（Model Context Protocol，模型连接外部工具的标准协议）等基础模块。它不是大厂官方出的，而是技术社区自发整理的"考纲"。

值得关心的是这份"考纲"本身：它是一个信号，说明 AI 工程师岗位的供需正在快速变化 — 企业对"懂底层"的需求，已经超过对"能跑通 demo"的需求。

行业怎么看

看好的一方认为：自注意力数学并不复杂，看不懂说明没真做过 Agent。这套门槛能筛掉只会调包的人，留下能解决幻觉（模型编造事实）和长文档处理问题的工程师。

但反对意见更值得听：多位资深工程负责人私下表达过，过度强调数学推导会筛掉真正能落地的复合型人才 — 好的 AI 产品负责人需要的不是会写公式，而是能把业务问题拆给模型。此外，清单中 Function Calling、MCP 这类更新极快的内容，半年后就可能变天，把"必答"做成标准化考点，本身就有滞后风险。

对普通人的影响

对企业 IT：AI 工程师招聘周期会变长、薪资溢价持续；采购第三方 AI 产品时，需要更懂技术的评估者把关。

对个人职场：即便不做开发，懂技术叙事的人在跨部门沟通中更有话语权；纯业务背景的人需要找到自己的不可替代点。

对消费市场：短期看不到变化；长期看，工程师深度提升会让 AI 产品更稳定，但功能迭代速度可能放慢。