一条动态：模型参与档案研究

有消息提到，两名密码分析者称使用OpenAI和Anthropic构建的LLM破解了两条长期未解的Enigma密文。开发者Carter Leffen让模型在Enigma消息数据库中搜索未破解消息并解码，模型进行了自己的档案研究、寻找上下文线索、构建Enigma机器模拟器，最终恢复了一条自2005年以来困扰研究者的明文。退休电气工程师Frode Weirerud维护Crypto Cellar网站，上周验证了Leffen的解法。

这些说法来自聚合摘要，具体技术路径与可复现性尚不清楚，也不代表招聘需求已经变化。但对想进入研究型岗位的人，它提供了一个观察角度：AI辅助研究里，真正稀缺的往往不是“会调模型”，而是能把领域问题拆成可验证任务。

非技术能力：档案、领域与验证

从这条动态看，模型做的是搜索数据库、找上下文线索、搭模拟器、恢复明文。对应到人的能力，至少有三块值得提前练。

一是档案检索。知道去哪些数据库、馆藏或公开记录里找材料，能判断一条线索是否可靠，比会写提示词更基础。二是领域知识。Enigma的转子结构、报文格式、历史语境，决定了你能不能看懂模型给出的中间结果。三是验证意识。Weirerud的验证角色说明，研究不是“模型说了算”，而是要有独立复核路径。

一个模拟场景：假设你拿到一批未整理的旧报文，一种做法是直接让模型翻译，另一种是先查档案确认发报背景、再让模型辅助比对模式、最后人工核对。后者更接近研究型岗位的工作方式，也更能说明你的判断力。

专业背景与申请展示

密码学或档案研究方向，数学、计算机、历史档案、电气工程等背景都可能切入。关键不是专业名称，而是能否把领域问题转化为可验证的研究任务。读岗位描述时，要确认它要的是工程实现、档案整理还是独立研究，别把“会用工具”当成全部门槛。

申请或面试时，用具体项目说明你如何定义问题、找资料、验证结果，比罗列工具更有说服力。可以是一个小型的复现案例，也可以是一份带注释的档案整理。注意，模拟面试不是断言面试官一定会问，但准备这类叙述能帮你理清自己的研究习惯。

一个实际可做的小建议：挑一条你感兴趣的公开密文或历史记录，写下你会去哪个档案库找线索、用什么方式验证结论，先把这个过程整理成一页笔记。