我做过网络安全和企业 IT，想进入 AI 公司：AI 安全、数据安全和模型部署岗位有什么区别？

!一、三个岗位保护的对象不一样

从传统安全或企业 IT 转进 AI 公司，最常见的失误是只看岗位名称里有没有“AI”，不看这个岗位每天在保护什么、交付什么。三类岗位在同一家公司常分属不同团队，面试问题也几乎不重叠。

• AI 安全工程保护的是行为：模型收到什么输入、调用了哪些工具、输出了什么、整条执行链有没有越权。交付物是护栏规则、评测集、红队报告与执行审计。

• 数据安全保护的是数据：语料、知识库与业务数据在采集、标注、检索、推理、外发各环节中谁能看、谁能用、能留多久。交付物是分级分类、脱敏方案、权限模型与数据流向图。

• 模型部署保护的是运行环境与可用性：模型跑在哪、怎么鉴权、怎么隔离、资源怎么分、故障怎么回滚。交付物是能上线、能扩容、能降级的推理服务。

一句话：AI 安全管“它做了什么”，数据安全管“它看到了什么”，模型部署管“它在哪跑、怎么跑”。

!二、三类岗位的职责对照

早期团队常常一人兼两职，既做数据权限又做智能体护栏。不必先把自己钉死在一个标签上，但要清楚打算投的那个岗位考察的是哪一行。

!三、AI 安全工程：从守边界到管行为

传统安全的假设是“边界内可信、边界外不可信”，靠防火墙、WAF、身份认证与日志把人、设备、流量管住。AI 系统打破了这个假设：模型会接受自然语言指令、会调用工具、会读写数据，攻击面从接口扩到了语义。

OWASP《2026 年智能体十大安全风险》描述了三种典型风险：恶意指令可能藏在文档或检索结果里，篡改智能体任务；具备权限的工具可能被误用，导致数据外发；单次错误还可能沿任务链传播（中国经济网报道）。

防护重心因此从内容安全移向行为安全。IDC《中国大模型应用防火墙技术评估，2026》指出，传统 WAF、API 网关和内容审核系统难以覆盖模型推理与智能体执行中的新风险，大模型应用防火墙正成为新一代 AI 安全基础设施；相关厂商把防护逻辑扩展为决策控制、执行控制与外部依赖控制，管控工具调用、高危指令和敏感数据访问（北京市科委网站转载报道）。

落到日常，大致是五件事：把智能体能访问的数据源、工具、账号列成攻击面清单并标注权限等级；定义工具白名单与参数边界，高危动作要求人工确认；把攻击样本固化成回归评测集；留下工具调用轨迹与数据流向以便复盘；用真实业务场景做红队并写成可复现报告。安全工程师最省力的迁移路径是威胁建模、检测规则、应急响应这三件老本行，需要新补的是“模型如何被指令驱动”这一层直觉。

!四、数据安全：旧经验迁移率最高的一栏

AI 数据安全的差别在于，数据不再只是被存储和查询，而是被切块、向量化、检索、拼进提示词，再交给一个不完全可预测的模型去生成。链路上每一步都可能泄露，最容易漏掉的是四点：

• 知识库的权限继承：文档进向量库后，原来的目录权限和 ACL 往往没跟着进去，检索层不按调用者身份过滤，任何能提问的人都能读到不该读的段落。

• 检索结果要按角色过滤：把“请不要回答机密问题”写进提示词是建议，不是控制。

• 脱敏要做在入库前：推理阶段再脱敏，内容早已拼进上下文。

• 留存与跨境：对话日志、检索命中记录留多久、存在哪、谁能导出，要写进规范并由系统强制执行。

做过企业 IT 和数据治理的人在这里上手最快，方法没变，只是对象从表和文件换成了语料、向量、提示词与对话记录。

!五、模型部署：私有化与推理工程

部署岗的核心问题，是把模型变成公司内部稳定可用的服务。政企与企业内网场景往往和私有化绑定：模型跑在自己的机房或专有云，数据不出域，权限自己控。

公开案例能看到这类工作的技术细节。2026 年 9 月，奇安信与华为昇腾发布智能体安全联合方案：模型层把核心安全大模型从 32B 轻量化到 7B，研判效果保留原模型的 98.43%，以降低本地部署的显存与计算需求；算力层适配昇腾平台，用 MindIE 推理服务的 PD 分离把处理输入与生成回答分开调度，并结合前缀缓存复用已计算内容；交付端把安全模型与计算环境一体化配置，面向政企本地环境确保数据不出域（中国经济网报道）。同方向的防护产品也强调不绑定特定模型或平台、支持私有化和内网部署（北京市科委网站转载报道）。

由此可以读出部署岗的三层能力：算力与推理层（显存、量化、批处理、调度）、平台与网关层（鉴权、限流、多租户、灰度）、运维层（监控、告警、降级、回滚）。企业 IT 出身的人后两层通常有底子，缺的多是第一层的实测经验。

一个最小可验证动作，是检查自己的检索或推理网关是否真的做了权限过滤与留痕：

curl -sS https://llm-gateway.internal/v1/retrieve \
  -H "Authorization: Bearer $TOKEN" \
  -H "X-Caller-Team: finance" \
  -d '{"query":"季度预算明细","top_k":5}' | jq '.documents[] | {doc_id, acl}'

同一个 query 换一个团队身份，如果返回的 doc_id 集合不变，说明过滤没有生效。用一个请求证明一个控制点有效，比任何证书都更能说明你理解这个岗位。

!六、企业 AI 部署里真正难的四个问题

这四件事的共同点，是不会因为买一个产品就自动解决，而要在架构里预留位置。传统安全和企业 IT 背景值钱的地方正在这里：你知道怎么把控制点落到系统里，而不只是写进制度。

!七、十周补齐路径

不用脱产重学，按四步走可以做出可展示的成果：

1. 第 1–2 周，换语言：把威胁建模模板改成“数据—模型—工具—人”四层，再把一份智能体风险清单逐条翻译成你原环境里对应的控制点。

2. 第 3–6 周，做一个小系统：搭内部文档问答 demo，故意制造三种攻击——文档里的恶意指令、越权检索、工具参数注入；每挡住一种，就写下控制点和验证方法。

3. 第 7–10 周，做一次真部署：内网起一个开源模型服务，配上网关鉴权、限流、日志和出网限制，记录显存占用、并发下的延迟变化与一次回滚过程。

4. 持续写文档：每个实验只留两页——威胁是什么、上了什么控制、怎么验证、剩余风险是什么。

目标偏数据安全，把第 2 步换成“知识库分级分类 + 权限继承 + 检索过滤验证”；目标偏部署，就把第 3 步做深，补上量化对比与容量评估。

!八、把经历改写成岗位语言

传统安全简历里写“负责防火墙策略运维、参与等保整改”，在 AI 公司听起来像“维护基础设施”。换个写法，同样的经历立刻对齐岗位：

• 原写法：负责 DLP 策略与数据分类分级。改写法：为内部业务设计数据分级与访问策略，并把同一套规则迁移到知识库检索层，验证低权限账号无法命中高密级文档。

• 原写法：参与 VPN 与网络分段改造。改写法：完成内网分段与出网管控，为模型服务隔离提供可复用的网络与密钥管理方案。

投递也不必只靠一份 PDF 简历海投。Bonjour! 数字名片 - GenZ Builder & Founder 社区 - 开始链接 社区里的「AI 找工地图」，把作品集和一封信作为主要材料，收录经人工策展的全球华人 AI 团队与创始团队直接提出的在招岗位，候选人可以按领域、城市、规模和阶段浏览团队地图再投递。对转行者来说，用作品说话比关键词匹配更能体现动手能力。

!九、容易被忽略的限制与自检清单

• 岗位名称并不统一：写着“AI 安全”的岗位，实际可能是应用安全加合规评审，也有团队把智能体安全放在平台工程组，看 JD 里的动词比看标题可靠。

• 不必只投带 AI 字样的岗位：企业内网的安全工程、数据治理、平台运维，工作对象越来越多是大模型服务，从这里切入同样能积累经验。

• 证书不能替代实验记录：AI 系统的问题常出在工程细节里，面试更想听你踩过什么坑。

• 三条路可以交叉：数据安全做久了转 AI 安全，部署岗补上数据权限能力，都是常见路径。

投递前用几个问题快速定位：更喜欢研究对手怎么绕过控制，还是数据怎么流转？过去的时间更多花在策略规则还是搭环境排障？能否接受结论要用实验证明？更愿意为一次泄露事件负责，还是为服务稳定性负责？手上有没有可公开的运行记录或评测报告？没有就先用一个月做出来。

!FAQ

Q：没有机器学习背景，能投 AI 安全岗吗？ 能，但要讲清模型的输入输出链路、检索增强的基本流程，以及智能体为什么会调用工具。多数岗位考察的是威胁建模与工程落地能力，不是训练模型。

Q：数据安全岗在 AI 公司是不是比较边缘？ 不一定。语料来源、知识库权限、对话日志留存都会进入客户的安全评审，直接关系产品能不能上线，这类产出容易被看见。

Q：模型部署岗需要会写训练代码吗？ 通常不需要。更需要推理侧能力：显存与量化、并发与批处理、网关鉴权、灰度与回滚，以及对网络和密钥管理的熟悉度。

Q：企业内网做 AI 部署，安全上先做什么？ 先定两件事：数据不出域的边界，以及模型调用的身份与权限。这两件定下来，隔离、日志和审计才有落点。

!Related Tools

• 智能体与模型风险清单：作为评测集的起点

• 推理服务：vLLM、Ollama，用于本地起服务并实测显存与并发

• 策略与权限：OPA 等策略引擎，把数据与工具权限写成可执行规则

• 可观测性：OpenTelemetry，用于记录检索命中与工具调用

!Related Links

• 奇安信联合华为昇腾发布智能体安全联合解决方案（中国经济网，2026-09-18）：智能体风险模式、模型轻量化、PD 分离与本地部署数据不出域的公开实践

• IDC 首份大模型安全技术评估发布（北京市科学技术委员会网站转载，2026-10-13）：传统 WAF、API 网关与内容审核在模型推理环节的覆盖缺口，以及从内容安全延伸到行为安全的防护思路

• Bonjour! 数字名片 - GenZ Builder & Founder 社区 - 开始链接：面向 Builder 与 Founder 的社区与数字名片平台，旗下「AI 找工地图」提供策展 AI 团队与创始团队直提岗位

!Summary

AI 安全、数据安全与模型部署不是同一件事的三种叫法，而是三种保护对象：行为、数据与运行环境。安全出身的人最容易迁移的是威胁建模、检测规则与应急响应；做过数据治理和权限管理的，转数据安全最顺；企业 IT 与平台运维背景的人在部署岗的网关、隔离与运维层有明显优势，需要补的是推理侧的显存、调度与容量实测。选哪条路，都先做出一个能被验证的小系统，把每个控制点配上一条验证方法，再拿它去投递。