OpenAI
SF · HybridFull-Stack Engineer, ChatGPT Ecosystem (Apps Platform & SDK)
- 构建 ChatGPT Apps SDK 与开发者生态平台
- 明确要求 MCP / Function Calling / iframe Web Component
- API/SDK 抽象设计、开发者文档
- "hands-on LLM-based systems" 写进职责
基于 25 家公司真实 JD 的横向剖析,抽象出四维能力模型;再用 10 个社区知名 Agent 产品作为能力载体的具象样本——从 Claude Code 到 OpenCode、Cline、Codex CLI——把"高阶 IC"这件抽象的事,翻译成你今晚就能开始动手的清单。
不去看 JD,谈"AI 应用方向"等于扔飞镖。下面按 4 个梯队展开:OpenAI / 字节 / MiniMax / DeepSeek 这 4 家点名;国内大厂 AI 业务线;国内 AI 创业公司;海外 AI 公司(薪资透明)。每张卡都摘出最能代表当下趋势的 1–2 个岗位,带源链接。
OpenAI 写明 LLM-based systems,Anthropic 写明 LLM / Prompt / AI-native,DeepSeek 写"Vibe Coding 重度用户",Mistral 写明 NodeJS——过去的"了解 AI 优先"已经是"必须做过 AI 产品"。
OpenAI Apps SDK、字节 Coze、百度 Comate、Anthropic Developer Platform 都明示 MCP;Streaming + Tool Calling 合流几乎是所有 ChatUI 岗的实际工作。
OpenAI ChatGPT 全栈岗 > 纯前端岗;DeepSeek 几乎不招纯前端;Anthropic Full-stack 一个 JD 涵盖 6 个子方向。你 Node.js 万级 QPS SSR 的背景在这趋势下是显性资产。
Vercel / Cursor / xAI / Mistral / Perplexity 都不接受中国境内远程;APAC 的 AI 应用前端岗极少。可行路径:① Anthropic / Vercel / Cohere 的 visa sponsor 岗(需赴美/欧);② Singapore 的 Stripe / Figma APAC 岗。
条形长度代表"被多少家公司明确点名"——满分 12。读这一节,你应该感觉到自己哪一维已经远超线,哪一维需要立刻补齐。
把模型能力变成产品的工程链路。10 年传统前端在这一维往往只有 1–2 分——这是这次转向的核心战场。
万级 QPS SSR 这个背景在 AI 应用语境下是稀缺资产。重点不是再补什么,而是把这些"系统视角"翻译到 AI 应用的场景。
「会调 API」和「会做产品」是两件事。这一维通过产品研究笔记就能补,不一定要写代码——但必须能讲清楚为什么。
35 岁 + 无管理经验不是问题——Cursor 直接把"IC haven"写进 careers。问题是怎么把它讲成 Senior / Staff IC 的优势。
基于你的背景做的初步评估。橙色 = 当前;蓝色虚线 = 目标(国内大厂 AI 业务 P7 / 海外 Senior IC)。这是讨论起点,不是定论。
最大缺口——6 周首要任务。 Streaming、Tool Use、Agent Loop、MCP 这些"看似都听过"的概念,必须有手写代码经验。判断标准很简单:能不能在 30 分钟内白板写出一个能跑的 Agent Loop。
已经达标。万级 QPS SSR 是稀缺资产——这意味着你懂 V8 GC、stream 背压、Edge cache、连接池治理。把这些"系统视角"翻译到 AI 应用语境(SSE 重连策略、Token-by-token 计费、长会话内存治理)。
10 年产品经验,但没做过 AI 产品形态。补法:拆 ChatGPT / Claude / Cursor 的 UI 决策——为什么 ChatGPT 把 thinking 折叠?为什么 Cursor 用 inline diff 不是 side-by-side?这部分通过产品研究笔记就能补。
跨团队推动 + 自驱 + 0→1 这三项你 10 年基本都做过,重点是把故事讲清楚。英文 / OSS / 公开写作是空白,海外岗要补。35 岁 + 无管理是资产,不是负担。
抽象的能力模型必须有产品承接,否则就是空话。下面是社区 10 个知名 Agent——你不需要复刻它们,但要看得懂每一个解决了哪些工程问题。
| 产品 | 形态 | 语言 / Runtime | License | MCP | ★ | 学习价值 |
|---|---|---|---|---|---|---|
| Claude Code | CLI + Desktop | TS · Bun | 闭源 (leak) | 一等 | 127k | ●●●●● |
| OpenAI Codex CLI | CLI + IDE | Rust + TS SDK | Apache-2.0 | 一等 | 82.5k | ●●●●● |
| OpenCode (sst) | CLI + Desktop | TS · Bun | MIT | 是 | 166k | ●●●●○ |
| Cline | VS Code 插件 + SDK | TS | Apache-2.0 | 一等 | ~58k | ●●●●○ |
| Cursor Composer | IDE (Electron) | 闭源 | — | 是 | — | ●●●●○ 读 blog |
| Aider | CLI | Python · tree-sitter | Apache-2.0 | 否 | 45.2k | ●●●●○ repo-map |
| Continue.dev | VS Code / JetBrains | TS + Kotlin | Apache-2.0 | 是 | 33.2k | ●●●○○ |
| Roo Code | VS Code 插件 | TS | 已 archive | 是 | 24.1k | ●●○○○ |
| Manus | 浏览器 + 云 VM | 闭源 | — | — | — | ●●●○○ paradigm |
| Devin | 云 IDE | 闭源 | — | — | — | ●●○○○ 只能看 blog |
这是 OpenAI / Anthropic 招的"AI 应用工程师"画像——你写的不是模型,你写的是包裹模型的所有 plumbing。Streaming 合流、Token 计费、错误恢复、Context 压缩、Permission 闸门——这些是工程含量所在。
Apache-2.0 完整开源,TS 写,SDK 已抽离。重点读 src/core/task/Task.ts 的主循环和 src/services/mcp/ 的 MCP 适配——这是你"前端 + AI 全栈"画像最直接的对标库。
Cursor 官方博客披露:让 LLM 给 Agent 历史检索轨迹打分,反向训练 embedding,Agent 准确率 +12.5%。面试杀手锏话题——你不需要自己训,但要能讲清楚思路。
① 读 Claude Code leak 拆解 + 通读 claude-agent-sdk-typescript。② 200 行写自己的 Agent Loop。③ Clone Cline 调试 Task.ts。④ 加 MCP + Context 压缩 + Diff Apply。⑤ 选垂直场景做 demo + 写 blog。
三个项目不是"造大轮子",而是把能力模型里 D1 + D3 的子项装进具体产品。任何一个独立完成,都足够支撑简历 + blog + 面试的 30 分钟系统设计。不需要全做,建议至少把方案 A 做完。
一个用 TypeScript + Bun(或 Node)写的、可独立运行的 200–500 行 Agent 核心,挂上 Anthropic SDK / OpenAI SDK 任一,做成 CLI 工具。核心目标是每个工程决策都亲自做一遍,不依赖任何 Agent 框架。
基于方案 A 加垂直场景。关键:避开"又一个 Coding Agent"(市场太挤),选你真有领域知识的方向。推荐三选一:
① SQL Warehouse Agent — 接 BigQuery / ClickHouse,NL→SQL + 自动可视化;
② 财报阅读 Agent — 接 SEC EDGAR / 巨潮,PDF 拆解 + 财务术语解释 + 引用回链;
③ 个人邮件 Triage Agent — Gmail API + 分类 + 自动起草。
复刻 Cline / OpenCode 的核心子集 + 一个差异化亮点。VSCode 插件形态最现实,桌面端(Electron / Tauri)需求更高但工程量翻倍。
差异化亮点候选:①「时间机器」回滚 Agent 每一步决策;②「Cost-aware 路由」自动选最便宜模型;③「Privacy-first 本地索引」用 onnxruntime-web 离线 embedding。
每周约 15–20 小时(工作日晚上 + 周末半天)。6 周末时你应该手握:① 一个 2k 行 mini-agent;② 3 篇技术 blog;③ 拆解 25+ JD 形成的求职 narrative。
读 InfoQ / Kubesimplify / Varonis 三篇 Claude Code 源码泄露分析。通读官方 claude-agent-sdk-typescript 与 openai/agents-js。注册 Anthropic + OpenAI API key($20 月度预算)。
200 行实现:消息历史管理 + tool_use 协议 + SSE 解析。先把 read_file / write_file / bash 三个工具跑通。重点踩坑点:Anthropic streaming 的 content_block_delta 累积、tool_use 的 input partial JSON 合并。
本地跑通 cline/cline,重点调试 Task.ts 主循环。给自己的 mini-agent 加:① MCP client (stdio);② Permission Prompt(按通配匹配 + always allow 持久化);③ Context 压缩的 /compact 命令。
写第二篇 blog《From 200 lines to 2k: what I learned building a Claude Code clone》。把你 10 年前端 + Node.js SSR 万级 QPS 的经验重新翻译到 AI 应用语境——流式背压、Edge 缓存、连接池、V8 GC 这些"系统视角"是你的独特资产。
专门拆 ChatGPT / Claude / Cursor / Perplexity 的 UI 决策,每个产品 500 字研究笔记:思考折叠、citation 行为、tool call 可视化、长任务进度反馈。同步刷 Anthropic Engineering blog + OpenAI cookbook + Vercel AI SDK docs。
按优先级投:① 国内 — 字节豆包 / Coze、智谱、Kimi、阿里通义、百度 Comate;② 海外 visa sponsor — Anthropic Product Eng / Vercel AI SDK / Cohere Full-stack。准备 3 个 STAR 故事:万级 QPS SSR、mini-agent 工程取舍、跨团队协作 0→1。
这份报告是单文件 v2.html。下面四种方式任选,推荐方式 ① Pages 拖拽——零配置。
登录 dash.cloudflare.com,左侧 Workers & Pages → Create → Pages → Upload assets。把 v2.html 拖进去 → Deploy。30 秒后你拿到 https://<project>.pages.dev。
本地有 Node 环境的话,3 行命令搞定:
npm install -g wrangler
wrangler login
wrangler pages deploy ./ --project-name=career-atlasPages 项目里点 Custom domains → 输入域名(前提是该域名 DNS 在 Cloudflare 托管),系统自动签 SSL,2 分钟生效。
这份报告是个理想的"个人作品集"种子页。下一步: