AI 工作流自动化工程师

💵 2026 年薪资区间与平均薪资

下表口径：一线城市 · 社招 · 税前月薪（现金部分）。数字综合 2026 年公开招聘信息与薪酬报告整理，不是精确统计 —— 校招与社招、均值与中位、是否含股票期权的口径差异很大，实际请以招聘平台实时岗位为准。

平均月薪参考：约 32K（一线城市社招口径）。溢价点在「能把流程跑稳」：会连节点的人多，能处理重试、幂等、对账与告警的人少。

可以对照的公开锚点：2026 届校招里 AI 相关岗位月薪中位值约 2.53 万元；偏中高端的样本中 AI 岗位平均月薪约 6.07 万元；算法研究员 / 大模型算法岗位普遍在 7 万元 左右，AI 科学家 / 负责人可达 13 万元 以上。资深 AI 人才 2026 年的调薪幅度最高可达 20%–35%，高于市场平均。

地域差异明显：长三角与大湾区贡献了全国近七成的 AI 岗位需求，北京、上海、深圳、杭州、苏州的薪酬普遍高于其他城市。

🏦 岗位画像：这个岗位到底在招谁

这个岗位不是「写提示词的人」，而是把大模型接进既有业务流程、并且对流程结果负责的人。日常工作不是研究模型，而是把一个真实业务拆成「触发条件、判断分支、模型处理、写回系统、人工兜底」这几段，然后让它每天稳定跑几千次。

和算法岗的区别很清楚：算法岗对指标负责，这个岗位对流程能不能跑完、跑错会不会被发现、跑挂了能不能续上负责。所以面试里问得最多的不是模型能力，而是幂等、重试、状态机、权限和可观测。

典型用人单位分三类，面试侧重完全不同。第一类是传统企业的数字化部门，要把内部系统（OA、ERP、CRM、工单）串起来，面试重实操细节与踩坑经验，会追问你具体怎么处理脏数据；第二类是 AI 交付与咨询公司，按项目交付，面试重能不能快速出方案、交付周期怎么估、客户改需求怎么办；第三类是 SaaS 厂商的产品团队，把自动化做进产品本身，面试重架构与多租户，会问并发、隔离、节点版本管理。

一句话判断自己匹不匹配：你能独立把一个跨三个系统的流程自动化跑起来，并且设计好失败分支与人工兜底，你就匹配；如果只会在一个平台里拖节点、跑通演示 demo，还差的是交付经验与故障处理经验。

📅 岗位职责

• 梳理业务流程，标出可以自动化的环节与必须保留人工审批的卡点，给出改造前后的对比口径
• 设计并实现工作流：触发器、条件分支、循环、并行、子流程、人工节点，明确每一步的输入输出契约
• 把模型节点接进流程：抽取、分类、摘要、生成，并定义结构化输出契约与校验规则
• 写连接器：调用第三方接口，处理鉴权、分页、限流、错误码、字段版本变更
• 定义幂等键与重试策略，保证流程重复执行不会产生重复的业务数据
• 做可观测：每次运行的输入输出快照、失败原因分类、超时与积压告警
• 交付文档：给业务方写操作手册，给运维写故障处理手册与回滚方案
• 持续优化：统计人工介入率，逐月把它降下来

🗝️ 岗位技能：技术基础

必备

• 编排平台：n8n / Dify / Coze / Make / 自研调度，至少精通一个的数据映射语法（JSONPath、JMESPath、模板表达式）与错误处理机制
• HTTP 与接口：REST 语义、认证方式（API Key、OAuth2 授权码、签名）、分页与增量拉取、Idempotency-Key 之类的幂等约定
• 数据结构与转换：JSON 扁平化与嵌套、数组展开、字段映射、类型转换、时区与字符编码
• 触发器模型：Webhook、定时任务（cron）、轮询、消息队列、数据库变更捕获，各自的延迟与成本特性
• 可靠性设计：指数退避重试、超时预算、死信队列、断点续跑、去重表
• 模型节点的工程化：结构化输出（JSON Schema）、输出校验与兜底、低置信度进人工复核队列

加分

• 会写代码而不只是拖节点：能用 Python 或 TypeScript 写自定义节点、连接器、脚本节点
• 懂异步与消息中间件：Kafka、RabbitMQ、Redis Stream、Celery 或 BullMQ
• 懂权限与审计：以最小权限运行、敏感字段脱敏、操作留痕可追溯
• 做过成本治理：给流程加 token 预算、按业务线归因、能用数据说明省钱在哪

🛡️ 技术面重点：会被问什么

• 「这个流程为什么用工作流，不用 Agent？」——考判断力，最高频。答：步骤可枚举、需要可测试与可追溯，用工作流；只有分支要靠模型动态决定、无法穷举时才上 Agent。如果答「Agent 更先进所以用 Agent」，基本就结束了。
• 「上游重复推送同一条 Webhook 会怎样？」——考幂等。要答出：用业务唯一键做幂等键，配去重表或唯一索引，处理并发写入的顺序问题，重复请求要返回相同结果而不是报错重跑。
• 「第三步调第三方接口失败了怎么办？」——考失败设计。要区分可重试（超时、5xx、限流）与不可重试（参数错、鉴权失败、业务拒绝），可重试的用退避重试并设上限，超限进死信并告警，流程状态要能断点续跑。
• 「模型返回的 JSON 解析不了呢？」——考兜底。答：schema 校验，失败重试一次并追加纠正提示，仍失败则降级到更小的任务或规则解析，最后落人工复核队列，绝不把脏数据写进业务库。
• 「凭证怎么管？」——考安全。用平台的凭证存储或密钥管理服务，不写死在流程定义里，按环境隔离，定期轮换，日志里脱敏。
• 「一天几十万次运行，架构怎么撑？」——考量级意识。批量合并、事件触发替代轮询、限流与队列削峰、同步流程改异步、按业务线分队列避免互相拖累。
• 「流程改错了怎么回滚？」——考变更治理。流程定义要能导出与版本化，改动先在测试环境跑回归用例，发布用灰度或双跑对比。

⚖️ 业务场景：选型与权衡

🚧 故障排查

• 流程偶发重复执行：多半是触发器重试或上游重推。先查触发日志确认重复来源，再用幂等键 + 去重表兜住，并做每日对账。
• 字段对不上、写进去是空的：上游接口改了字段或返回结构。加契约校验，字段缺失时告警而不是静默写空值，接口变更要有订阅与回归用例。
• 定时任务堆积：单次执行变慢或并发上限到了。查单次耗时与队列深度，拆分大任务、加锁防重入、错峰调度。
• 模型节点超时：输入太长或超时设置不合理。截断或摘要输入、把大任务拆成多次调用，并给模型节点单独设超时与降级路径。
• 凭证过期整条链断：鉴权报错集中在同一时间点。集中管理密钥，做到期告警与自动轮换，关键链路上配置备用凭证。
• 出问题无法归因：没留运行快照。每次运行记录输入、输出、耗时、模型用量，敏感字段脱敏后保存，按失败原因分类统计。

💵 成本优化

• 先把单次成本拆开算：平台订阅费 + 运行次数 + 模型 token + 人工复核工时。多数场景里人工工时是大头，所以先自动化最耗时的那一步，回报最快。
• 减少运行次数：合并批量处理、拉长轮询间隔、把轮询换成事件触发，空跑的费用往往比想象中高。
• 分级用模型：分类、抽取、格式化这类任务用小模型，只有生成和复杂判断才上大模型。
• 做缓存：同一业务键的输入结果缓存复用，检索与摘要结果也可以缓存。
• 控制上下文：只把必要字段喂进提示词，不要把整条记录塞进去。
• 降低人工成本：复核队列按置信度排序，人只看低置信度的少数样本，并统计人工介入率的下降趋势。

♾️ 项目经历怎么讲

用三段式：业务背景与量化痛点 → 你的方案与关键取舍 → 结果与仍然存在的代价。第三段最容易被忽略也最能加分，因为承认代价说明你真的上过线。

1. 业务背景：原来几个人做、每天多少单、耗时多久、错一单的代价是什么
2. 方案与取舍：为什么选工作流而不是 Agent，幂等怎么做的，失败分支怎么设计的，哪些环节坚持留人工
3. 结果与代价：省了多少工时、失败率多少、人工介入率多少、模型每月花多少、还剩哪些没自动化

正例：

财务对账原来每天两个人做三小时，涉及四个系统来回导表。我用事件触发加定时任务把数据拉平，模型只负责摘要和异常分类，置信度低的进人工复核。现在每天二十分钟，人工只看约百分之五的样本，异常漏检为零，模型成本每月很低。还没自动化的是历史数据补录，因为源系统没有接口。

反例：

我搭了一个自动化流程，接了 AI，效率提升很多。

反例的问题在于：没有数字、没有兜底设计、没有失败分支。面试官追问一句「失败了怎么办」，就答不上来了。