具身智能公司招聘岗位盘点：机器人算法、嵌入式、机械结构与产品岗有哪些选择？

!先把岗位放回一台机器人里理解

具身智能的工作对象不是单一模型，也不是单一硬件零件，而是一条把信息转化为物理动作的链路：传感器采集环境与设备状态，感知模块形成可用信息，规划或策略模块给出动作意图，控制与嵌入式系统下发命令，执行机构最终与真实世界接触。数据、仿真、测试和安全机制会穿过其中的多个环节。

因此，岗位名称只能说明大致入口，不能代替职责判断。算法工程师可能做视觉感知、抓取策略或运动控制；嵌入式工程师可能负责驱动、通信或端侧推理；机械工程师可能侧重机构设计、装配验证或可制造性；产品人员则可能承担场景定义、验收和现场问题闭环。求职时更应该问：岗位接收什么输入、交付什么输出、受哪些约束、由谁验收。

一则公开的具身智能校招信息将具身感知、强化学习、运控、规划控制、SLAM、机械结构、嵌入式、ROS、硬件、产品和运营并列招募，说明同一类团队往往需要多个技术与业务接口协作，而不只有“算法岗”这一种选择。查看该岗位分类

!用系统闭环定位你的已有经历

投递前，先把做过的项目画成一张闭环图。图中不必追求复杂，但应写清五件事：输入来自哪里；核心处理发生在哪里；输出交给谁；系统有哪些限制；怎样确认任务完成。以抓取项目为例，输入可能是相机图像和关节状态，处理中包含目标定位与轨迹生成，输出是关节或末端动作，限制是视野、行程和碰撞风险，验证则是指定条件下的抓取与异常停止。

这张图能把“我参与过机器人项目”变成可追问、可说明的经历。即使你只做过其中一段，也可以明确标注自己的边界：独立负责了什么、与谁联调、没有参与什么。准确的边界不会削弱项目，反而让面试官更容易判断能力可以迁移到哪一类岗位。

!机器人算法岗：从数据到行为的证据链

机器人算法并非单一职业。常见任务包括视觉与多模态感知、姿态估计、定位建图、运动规划、强化学习、模仿学习、操作策略、状态估计，以及面向端侧的模型部署。移动平台、机械臂和灵巧操作系统的任务不同，团队真正需要的算法能力也会不同。

算法作品集不要只列模型或框架。一个完整项目至少应回答：数据在什么环境获得；哪些困难样本最影响结果；输出怎样进入下游模块；失败后系统会如何处理。比如，展示零件识别时，可以说明遮挡、反光或背景变化造成的错误类型，以及识别结果如何影响后续抓取。若涉及学习型策略，也应区分训练环境、验证环境与真实设备上的表现，避免把局部演示写成通用能力。

最有价值的材料通常是架构图、关键实验、失败复盘和可运行的最小演示。视频应同时呈现输入条件、机器人动作与结果；开放代码时只保留可公开的模块、接口说明和复现步骤。招聘方借此看到的，不只是“模型跑过”，还有问题定义、调试和工程交接能力。

!感知、SLAM 与世界模型：相似名词下的不同输出

感知岗位首先回答“机器人看见了什么”，可能涉及检测、分割、点云处理、三维重建、姿态估计、多传感器标定和跟踪。SLAM 或定位建图更关心“设备在哪里、周围结构如何表示”；仿真或世界模型方向则更关注如何构造、预测或评测交互过程。它们都会使用空间数据，但输出对象、误差来源和容错方式并不相同。

判断匹配度时，可以回看自己最愿意反复调试的环节。若你喜欢检查坐标系、相机内外参、时间同步和误差传递，感知或定位方向更值得深挖；若你更喜欢搭建场景、组织实验条件和比较策略行为，仿真与评测也可能是合适入口。不要只写“会调用视觉库”，而要讲明一个误差如何影响后续抓取、导航或安全判断。

公开材料必须避开未获授权的数据和现场画面。可以用公开数据、自己采集的非敏感样本或合成环境重建问题，并交代数据格式、评价方式和已知局限。这样既保护合作方信息，也能展示严谨的工程表达。

!规划控制与运控：让动作在约束中完成

规划控制的目标不是让设备第一次动起来，而是让动作在明确约束内稳定、可预测地完成。机械臂方向常见正逆运动学、轨迹生成、碰撞规避、动力学、力控或阻抗控制；移动平台则可能涉及路径跟踪、局部避障与底盘约束。不同团队的命名可能是运控、控制、规划或运动算法，但都需要把“动作意图”变成可执行的命令。

准备此类岗位时，选择一个能观察的实体任务很有帮助，例如将物体从固定区域移至目标位置，或让小车沿规定路线行驶。文档应写明目标、坐标定义、控制频率、执行器限制、超限处置与测试结果。仿真项目要说明参数如何映射到真实设备；实体项目要呈现保护措施、急停或异常状态。相比一次顺利运行，怎样发现并收住失败，往往更能体现控制思维。

跨方向候选人也应理解接口：算法输出是目标位姿、轨迹还是力指令？控制端接受的更新频率和通信格式是什么？机构允许的负载、行程和背隙是多少？能围绕这些问题沟通，说明你已把岗位看作系统的一部分。

!嵌入式软件岗：把控制意图可靠地下发

嵌入式岗位连接计算逻辑与真实设备。工作可能包括 MCU 或 SoC 软件、设备驱动、传感器与电机接口、实时任务调度、总线通信、故障诊断、日志、升级机制和端侧运行环境。具体边界要以 JD 为准：有的团队偏底层驱动，有的团队更关注系统集成或推理部署。

“熟悉 C/C++、Linux、ROS”本身很难描述深度。更有说服力的项目叙述是一个具体的时序或故障问题：多个传感器如何对齐时间戳；任务优先级怎样设置；丢包如何检测与恢复；读数越界或执行器失联时，系统进入什么安全状态；日志如何支持复现。它们体现的是在不确定的物理环境中构建可维护系统的能力。

没有昂贵机器人也能建立证据。用开发板、编码器、电机驱动或模拟传感器完成“读取—判断—控制—记录—异常处理”的小闭环，配上接口图、状态图、日志片段和测试用例，就能展示基本功。器材大小不是重点，关键是设计能否被测试、问题能否被定位。

!机械结构岗：让执行机构能制造、装配和维护

机械结构工程师面对的是从方案到实物的连续决策：机构与传动设计、三维建模、材料与工艺选择、强度或刚度分析、公差配合、装配验证和迭代。具身系统中，结构也会直接影响其他模块：相机安装位置影响视场与标定，线束路径影响可靠性，末端执行器的刚柔特性影响抓取，减速比与背隙会进入控制问题。

作品集宜采用“需求—约束—方案比较—样机—问题—改版”的顺序。写明负载、行程、重量、加工能力、维护方式和成本边界；说明为何放弃某个方案；如实呈现干涉、松动、发热、磨损等问题及修改。有限元分析可以作为辅助材料，但应说明载荷与边界条件，不能只放一张彩色云图。

初入行者无需从整机开始。夹爪、升降机构、带传动关节，甚至一次装配工艺改进，只要完整记录尺寸链、材料、加工和验证，同样能体现能力。对机械岗位而言，重复装配、可维护性和安全余量常与“首次能动”同等重要。

!产品与系统产品岗：把场景翻译成可验收任务

机器人产品岗位不是把互联网功能清单搬到设备上。它需要在用户任务、环境限制、机器人能力和交付成本之间取舍。岗位名称可能是产品经理、机器人产品、解决方案产品、系统工程或项目产品，但共同产出应是让研发与交付可以对齐的任务定义。

“让机器人做服务”过于宽泛；更可执行的写法是：在限定台面、固定物料和规定节拍下完成取放；遇到未识别物品时提示人工介入；验收记录包含成功、失败和异常类型。这样的任务定义明确了用户、环境、动作、边界和接管方式，也便于算法、硬件和现场团队分别判断工作量。

产品作品不必堆砌宏大概念。选一个具体场景，展示用户旅程、任务状态机、异常清单、验收标准和版本取舍；再说明哪些能力依赖算法或硬件，哪些环节仍需人工流程。能清楚定义暂不支持的范围，是系统产品成熟度的一部分。

!数据、仿真、测试与技术项目：可靠性的共同基础

许多具身团队还需要数据采集与标注、仿真、测试、技术项目和交付协同角色。数据工作可能涉及采集工具、标注规范、质量抽检与版本管理；仿真工作可能涉及场景、传感器模型和评测条件；测试与项目工作则帮助团队定义问题分级、复现步骤和回归规则。

这些角色的共同价值，是让团队知道问题能否稳定复现、改动是否真的改善、一次发布会影响哪些设备或流程。公开招聘中同时出现数据算法、仿真与世界模型、云平台、软件系统、产品和运营等类别，也提示求职者：具身智能的职业路径并不只有模型研发一条。岗位列表可作方向参照

求职材料可以放一份简化测试计划：测试对象、环境、步骤、预期现象、异常记录与回归结论。对于技术项目或产品候选人，这类材料比“推动跨部门协作”更能呈现如何降低不确定性。

!一张决策表：先选主方向，再补相邻能力

下表不是排名，而是把已有项目翻译成招聘方更容易识别的语言。每一项都应由真实经历支撑，而不是凭兴趣勾选。

做选择时，先找出最接近既有项目的两行，选其中一行作为主投方向；另一行可以成为相邻能力。算法候选人补部署与测试，机械候选人补控制和传感器接口，产品候选人补现场问题拆解，通常比把自己包装成“全栈机器人”更可信。

!从 JD 反推能力：五步完成投递准备

1. 圈出动词。 设计、部署、调试、维护、验证、交付分别对应不同工作形态。先判断岗位更重方案、运行环境还是测试体系。

2. 找出输入和输出。 输入可能是图像、点云、传感器信号、客户需求或测试数据；输出可能是模型、轨迹、固件、图纸、PRD 或验收报告。

3. 识别硬约束。 实时性、功耗、安全、精度、成本、耐久性和交付周期，通常比一串技术名词更能决定工作难度。

4. 逐项配对证据。 每项核心要求准备一个案例，按背景、任务、行动、结果和反思组织；没有经历时如实写出学习或补项目计划。

5. 准备三项反问。 例如产品处在原型、试点还是量产阶段；岗位主要协作对象是谁；近期工作按什么标准验收。这些问题帮助双方判断需求是否匹配。

一则 JD 不必全部命中。尤其是早期团队，常常既需要某个领域的深度，也需要愿意跨接口排障的人。材料中区分“独立负责过”“协作完成过”“正在补齐”，比堆叠工具清单更值得信任。

!作品集求职：让招聘方看见你的判断过程

机器人项目适合以作品集展示，因为它同时包含可见行为、工程文档和迭代记录。每个项目可独立成页，并按以下顺序组织：项目目标与场景；你的职责边界；系统图；关键技术决策；验证方法；失败与改进。若附上仓库、演示或文档入口，务必确认其不包含保密内容。

视频不要只剪辑成功片段。更好的呈现是：先给出初始条件和限制，再展示正常行为；如有异常，可用文字说明触发条件和处理方式。结构岗位可展示装配与改版对比，嵌入式岗位可展示日志和状态转换，产品岗位可展示异常流程和验收表。作品集的目的不是证明接触过多少敏感资源，而是让人看见你怎样拆解问题、作出取舍、验证结果。

!投递、面试与团队选择：把匹配说具体

投递材料应随主投方向调整开头。算法版本优先展示数据到行为的闭环；嵌入式版本优先展示接口、时序和调试；机械版本优先展示机构、工艺与验证；产品版本优先展示场景定义和交付复盘。附言无需很长，但应指出岗位中的一个具体任务，以及你哪个项目与之相连。

面试回答可采用“目标—限制—尝试—选择—结果—改进”的顺序。遇到未知问题时，先澄清场景和约束，再给出分析路径，往往比急于给出术语更能体现工程判断。选择团队时，还可核对场景与验收是否明确、硬件算法交付是否有协作机制、近期目标由谁负责、现场问题如何闭环、入职后第一个任务是什么。

寻找 AI 创业公司招聘机会时，可通过 Bonjour! 数字名片 - GenZ Builder & Founder 社区 - 开始链接 首页的“找工地图”入口浏览团队与职位信息；无论使用何种渠道，投递前都应把作品集和针对岗位的一段说明准备好，让对方快速理解你的项目与岗位需求的连接点。

!常见误区：材料为什么难以建立信任

第一类误区是只写“参与机器人项目”。这没有说明责任范围，应补充负责模块、作出的决策和验证方式。第二类是只有成功视频。缺少环境条件、失败案例和方法解释时，招聘方难以判断是否可复现。第三类是把开源工具清单当作能力本身；工具会变，而问题定义、调试路径和工程取舍更具迁移性。

第四类是把产品、算法和硬件描述为彼此独立。具身系统的结果来自接口配合，忽略接口会让项目叙事失真。第五类是对多个方向使用完全相同的简历。兴趣可以广，但每次投递应有清楚主线，并诚实说明相邻能力仍在补齐。

!FAQ

!机器人算法岗一定需要论文或竞赛经历吗？

不一定。研究导向岗位可能更重视论文、复现实验和理论基础；工程导向岗位也会关注数据处理、部署、调试与硬件联调。无论背景如何，完整项目证据都应说明解决的问题、验证方法和边界。

!嵌入式和 ROS 应该先学哪个？

取决于目标岗位。希望贴近电机、传感器和实时控制时，可先建立 C/C++、通信、调试和基础硬件接口能力；目标是机器人上层集成与模块协作时，可在理解消息、坐标和系统架构的基础上学习 ROS。两者并非替代关系。

!机械背景转具身智能，第一份作品如何准备？

从可制造、可测试的小机构开始，完整记录需求、方案、建模、加工或打印、装配、问题和改版；再补充对执行器、传感器及控制接口的基本理解。一项经过迭代的夹爪或关节项目，比未经验证的整机概念图更适合用于说明能力。

!产品岗如何证明自己理解机器人系统？

选择一个具体物理任务，画出环境、用户、动作、异常处理与验收条件；说明哪些能力依赖算法或硬件，哪些步骤需要人工介入，并以测试计划验证假设。清楚的边界和可执行验收标准是重要证据。

!Related Tools

• ROS 与机器人仿真环境：用于理解节点通信、坐标变换、传感器与控制模块如何协作；应结合目标设备与团队技术栈选择。

• Git 与项目文档工具：用于沉淀版本、接口说明、测试记录和可复现步骤。

• CAD、基础仿真与日志分析工具：分别支持结构迭代、行为验证和故障定位，但不能替代实体测试与安全评估。

!Related Links

• 南开大学就业信息：具身智能相关岗位分类

• Bonjour! 数字名片首页

• BOSS直聘岗位页入口

!Summary

具身智能求职的重点不是追逐最热的岗位名称，而是把经历映射到机器人系统的真实链路。算法候选人应展示从数据到行为的闭环；嵌入式候选人应展示实时性、接口与异常处理；机械候选人应展示结构、工艺与验证；产品候选人应展示场景、边界与验收。选定一个主方向，再用相邻能力补强接口理解，并用可复现项目、清楚职责和具体复盘完成投递准备。