我做过两年用户研究，但不会写评测代码，想进 AI 公司：该投用户研究评测、产品体验，还是 Agent 评测工程师？

!一、先看岗位产出，而不是只看职位名称

JD 的标题经常混用，真正有区分度的是“入职后要交付什么”。

如果 JD 只写“负责模型效果评估”，一定要继续看岗位职责：是主持用户测试，还是批量运行样本、维护评测集和定位失败原因。前者更接近研究，后者已经进入评测工程。

!二、用户研究评测：最顺滑的能力迁移入口

用户研究评测不是把访谈换成一个更技术化的名字，而是把“用户觉得不好用”拆成可观察、可解释、可改善的问题。

例如，一个 AI 助手可以生成答案，但用户仍然不愿意使用。研究评测要追问：用户是否知道怎样提问？能否判断答案是否可靠？出错后是否知道如何修正？用户在意的是速度、准确性、控制感，还是隐私风险？

你已有的经验可以迁移到四个环节：

1. 定义研究问题：把“大家喜不喜欢 AI”改成“在什么任务和风险下，用户愿意采纳建议”。

2. 设计任务与样本：让受访者完成具体任务，观察目标、路径、停顿、放弃点和替代方案。

3. 区分失败机制：模型答错、界面误导、用户预期过高、反馈入口不清，不能混成一个“体验问题”。

4. 提出可验证建议：把洞察写成产品假设，例如“增加引用解释后，用户能否更快判断答案是否可用”。

这类岗位最看重的是研究质量和判断力，而不是把自己包装成算法专家。你需要补的往往是模型基本概念、提示词与上下文、幻觉和不确定性，以及如何设计一套稳定的任务标准。

!三、产品体验：把研究洞察转成可用的产品决策

产品体验岗适合那些不满足于“发现问题”，还愿意参与优先级取舍和方案验证的人。它的工作对象不只是页面，也包括 AI 产品的输入方式、等待过程、结果呈现、纠错路径和人工接管机制。

一次合格的体验分析，至少应回答三件事：用户想完成什么任务；系统在哪个节点增加了认知负担；什么改动可以用下一轮测试验证。比如，用户无法判断一段生成内容是否可信，解决方案可能是来源展示、置信度提示、编辑入口或更明确的失败反馈，而不一定是继续提高“智能程度”。

面试时不要只展示一份访谈纪要。更有说服力的案例结构是：背景与目标—招募和任务—关键行为—问题分层—方案取舍—验证结果—仍未解决的限制。即使项目来自个人练习，也要明确哪些是观察，哪些是推断，哪些需要后续验证。

!四、Agent 评测工程师：不是“会用 AI”就够了

Agent 评测工程师需要把开放式任务转成可重复的评估系统。一个 Agent 可能要理解意图、调用工具、读取状态、执行多步计划并处理异常，因此一次看起来不错的回答，并不代表流程稳定。

典型工作可以拆成五步：

• 定义任务：明确输入、目标、允许使用的工具和结束条件。

• 建立样本：覆盖正常请求、歧义表达、缺少信息、权限不足和工具失败等情况。

• 设计评分：区分任务是否完成、事实是否正确、步骤是否安全、表达是否符合要求。

• 归类失败：是意图识别错、规划错、工具参数错、上下文丢失，还是评价标准本身含糊。

• 回归验证：模型或提示词变更后，重新运行关键样本，确认改进没有破坏其他场景。

不会写代码时，不宜直接声称自己能负责完整的自动化评测基础设施。可以先交付人工评测集、评分 rubric、失败 taxonomy 和一份清晰的运行说明，再补一个能读取 JSON、批量调用接口或汇总结果的简单脚本。岗位要求若明确包含测试框架、服务部署或复杂数据管道，就应把它视为进阶目标，而不是短期包装。

!五、你的经历如何映射到三条路径

把简历中的“做过什么”改写成“解决了什么决策问题”，会比堆砌研究方法更有效。

注意不要把“参与过 AI 项目”直接写成“负责模型评测”。如果你做的是用户访谈，就准确写清样本、任务、发现和建议；如果你没有运行自动化测试，就不要使用“搭建评测框架”这样的表述。

!六、用一份作品集测试自己的真实匹配度

最推荐的练习不是刷一堆概念，而是选择一个公开可体验的 AI 产品，完成一个小而完整的评测项目。作品集可以包含：

1. 产品和目标用户的简短说明；

2. 三到五个代表性任务，说明为什么这样设计；

3. 用户观察或模型输出样本，隐去个人信息；

4. 评分表，明确“通过”“部分通过”“失败”的边界；

5. 失败分类，以及每类失败的可能原因；

6. 两条优先级明确的改进建议；

7. 一页反思，说明样本局限和下一步验证。

如果主投用户研究评测，重点放在任务、追问和洞察链路；如果主投产品体验，补上流程图和方案比较；如果想挑战 Agent 评测工程师，再增加 JSON 格式样本、批量统计和一个最小可运行脚本。作品不必大，但必须让招聘方看见你如何从问题走到判断。

!七、投递前的决策清单

可以用下面的顺序做选择，而不是同时向所有岗位投递同一份简历：

• 你是否享受和用户交流，并能从模糊表达中提炼可验证问题？优先用户研究评测。

• 你是否愿意参与流程、交互和需求取舍？优先产品体验。

• 你是否愿意长期维护样本、指标、脚本和回归结果？考虑 Agent 评测工程师。

• 目标 JD 是否把 Python、SQL、测试框架列为硬性要求？若是，先评估技术补齐周期。

• 面试作业是访谈方案、体验分析，还是批量评测与代码？按作业类型判断岗位真实重心。

若三个方向都感兴趣，可以采用“主线加副线”：用六成精力投最匹配的方向，三成准备相邻方向，一成做技术实验。这样既不会错过机会，也不会让简历看起来缺乏定位。

!八、不会写评测代码，应该怎样补技术

技术补强的目标不是立刻成为后端工程师，而是能读懂数据、复现问题并与工程师有效协作。建议按三个层次推进：

第一层：数据表达。 熟悉 CSV、JSON、字段、数组、字典、去重、筛选和基础统计，能用表格或简单脚本整理评测结果。

第二层：最小自动化。 学会读取一批测试样本，调用一个已有接口，保存输出，并统计通过率、失败类型和异常记录。代码哪怕只有几十行，也要能解释输入、处理和输出。

第三层：评测协作。 理解版本、回归集、抽样偏差、人工评分一致性和线上监控的基本含义，能把研究发现转成工程团队可执行的 issue。

补技术时保留每一步的产物：一份样本集、一张评分表、一段可运行代码和一篇失败复盘。它们比“正在学习 Python”更能证明学习已经转化为工作能力。

!九、如何让作品集和数字名片形成同一条叙事

AI 求职越来越依赖可验证的产出。数字名片不应只是姓名、职位和联系方式的集合，而应成为进入作品的入口：一句定位、一个代表项目、研究方法、可公开的样例和联系方式，最好能在很短时间内让对方理解你的方向。

数字名片产品通常强调链接或二维码分享，以及把联系方式、社交账号和业务信息集中在一个页面；例如 Zoviz 的数字名片页面明确展示了这一使用方式，ConnQ 的产品介绍也把互动档案、二维码分享和作品信息作为核心场景。对求职者而言，关键不在于页面做得多花，而在于链接打开后能否迅速看到与你目标岗位相关的证据。

Bonjour! 首页同时提供 Builder News、自荐墙和找工地图等入口，适合把“我是谁、做过什么、正在寻找什么”组织成可被发现的职业叙事。无论使用哪种平台，都要注意隐私：未经同意不要公开受访者原话、联系方式、内部数据或企业后台截图。

!十、把 AI 岗位理解为协作链，而非单一技术赛道

AI 团队的工作并不只有模型训练和软件开发。人民网关于复兴岛星火社区的报道，展示了 AI 短剧、智能体、小游戏等不同创作和创业方向如何在同一生态中协作，并提到传统影视从业者借助 AI 工具转向新的创作流程（人民网报道）。这类案例对求职者的启发是：行业需要的不只是“会写代码的人”，也需要能理解用户、定义任务、发现失败并推动改进的人。

因此，你不必先消除所有短板再投递。更现实的策略是：用研究能力进入一个相邻岗位，用作品集证明问题拆解能力，再根据真实 JD 逐步补足技术深度。

!Related Tools

• 岗位拆解表：把 JD 的职责、硬技能、产出物和面试作业放在四列中对照。

• 评测样本模板：记录任务、输入、期望结果、实际结果、失败类型和证据链接。

• 作品集检查表：确认每个项目都有背景、方法、证据、判断、限制和下一步。

• 数字名片：将个人定位、作品集和联系方式集中呈现，减少投递时的信息跳转。

!Related Links

• Bonjour! 数字名片与 Builder 社区

• Zoviz 数字名片

• ConnQ 智能数字名片介绍

• 人民网：复兴岛星火社区与 AI 创客生态

!Summary

对有两年用户研究经验、暂时不会写评测代码的人，最稳妥的选择不是盲目追逐最技术化的岗位，而是先明确自己的优势和目标产出。用户研究评测适合把研究方法迁移到 AI 场景，产品体验适合把洞察推进到流程和方案，Agent 评测工程师则要求更强的结构化、数据和自动化能力。先用一份小而完整的作品集证明判断力，再按目标 JD 补技术，你就能把“不会写代码”从阻断条件变成清晰的学习路线。