评估岗和标注岗，差的不只是任务名称

一种公开观点提出，除了硬核数学题，也应该建立历史谜题和密码题库，用来挑战模型；同一观点还提到，有几位历史学家一直在用新模型解读古老的未翻译手写记录。消息没有说哪些机构在招这类人，也没有给出模型在这些任务上的实际表现。对想转AI评估或数据岗的人文背景读者，这两条信息更像一个提醒：评估任务本身需要被设计，而设计任务的人未必只来自技术岗。

但看到“AI评估”“数据专家”“人文数据”这类名称，先别急着投。至少有两类工作容易混在一起。

评估类岗位更接近设计测试任务、判断模型输出质量、写评估标准。比如给模型一批模糊的历史文本，判断它是否读懂了语境，而不是只看答案像不像。

标注类岗位更偏数据整理与规则执行。假设有一份“石刻文物文字识别录入”实习，职责写的是依据拓片、照片，按统一规范识别繁体字、异体字并校对，那它主要考验的是执行规范、辨认字形和耐心，不是设计评估方案。

两类工作都有人文成分，但日常差别很大。投递前先问自己：我想做的是设计判断标准，还是执行既定规则？

人文背景能迁移什么，不能默认什么

可迁移能力大致有三类。

一是对模糊信息的判断力。历史材料常有缺字、异体、语境不明的情况，这种“不能只看字面”的判断习惯，在评估模型输出时可能用得上。

二是语境理解与材料整理。档案和数字人文训练里，分类、编目、比对版本是基本功，这些在数据整理类岗位中有对应价值。

三是对未翻译手写记录的辨识经验。素材提到有历史学家用新模型处理这类材料，说明人文材料处理和模型使用存在结合点。但原文没有说明他们具体用什么方法、工具，也没有说取得了什么成果，所以不能把这条当成“AI公司都在招这类人”的证据。

更稳妥的做法是：把自己的能力写成具体做过的事，比如“整理过某类档案”“校对过某类文本”，用[实际记录]这类占位提醒自己，有真实成果才写数字，没有就不编。能力是否被目标岗位需要，最终要看职位描述，而不是看一条观点。

投递前，把岗位描述拆成动词核查

看到AI评估或人文数据方向的机会，先别急着投，用下面几个问题核查。

  • 岗位是评估设计，还是数据标注？招聘信息里有没有写清任务类型？
  • 团队里有没有人文或领域专家？还是只有工程和运营？
  • 日常工作是否涉及判断模型输出质量，还是只按规则打标签？
  • 招聘信息是否明确写出工作内容，而不是只写“AI相关”？

这些问题的答案，往往比岗位名称更能说明真实职责。也不要因为一条观点或一个案例，就认定某类岗位正在增长；素材本身只是观点和举例，没有招聘数据，也没有岗位数量。

一个实际可做的小建议：找一份你感兴趣的岗位描述，把“判断、设计、评审”和“录入、校对、按规范执行”两类动词分别圈出来，看看哪类占多数，再决定要不要投。这一步花不了多少时间，但能帮你少走弯路。