六个维度打分：算法工程师加权 38.2（最低项 4）、业务专家 42.2（最低项 2）、 训练师 48.6（最低项 7）。这个岗位考的不是「哪项最强」，是「有没有洞」。
上一节算清成本，这一节看人：什么样的人能把这个工位做好。
一、六项能力，一张表
拆成六项：数据敏感、业务理解、Python、统计、沟通、耐心。 前三项决定「能不能干活」，后三项决定「活干得好不好」。 Demo 给三种典型角色各打一组分（0 到 10），再按岗位权重加权：数据敏感 1.2、业务理解 1.2、 Python 0.8、统计 0.8、沟通 1.0、耐心 1.0。 结果：算法工程师 38.2，业务专家 42.2，训练师 48.6。 算法工程师的 Python 和统计都是 10 分，但业务理解只有 4；业务专家的业务 10 分，Python 只有 2。 训练师每一项都不是最高（最高 9，最低 7），但落差只有 2——这个岗位考的是一块没有洞的板。
二、为什么不能有洞
因为训练师的工作是「把别人的判断翻译成数据」。 业务方说「这个太严了」，他要能翻译成「阈值从 0.7 调到 0.5」； 算法说「这版过拟合了」，他要能翻译成「训练集加两千条负样本」。 任何一环断了，翻译就断：不懂业务，翻译出来的数据不解决真问题；不会写代码，连数据都动不了； 不懂统计，看到两个数就下结论。 所以这个岗位的招聘要求通常写成「懂一点技术、懂一点业务、能沟通」，看着虚， 实际是在要「没有明显短板」。
三、哪些可以从零补
Python 和统计是可以补的——第三章就从装 Python 开始，第九章会把五个指标一个个算一遍。 这两项有明确的学习路径。 数据敏感和业务理解不好补，因为它们靠「在具体业务里泡」。 所以转岗的人通常反过来：先有业务，再补技术。 沟通和耐心更特殊，它们不体现在技能表里，但决定了能不能把一件枯燥的事做三个月。 标注这件事，做一天容易，做三个月很难。
四、动手 Demo：三种人，同一张评分表
给六项能力配上岗位权重，三种典型角色各打一组分，算加权总分和「最低项」，看谁更像训练师。
weight = np.array([1.2, 1.2, 0.8, 0.8, 1.0, 1.0])
score = np.array([9, 8, 7, 7, 8, 9], dtype=float)
total = float(score @ weight)
gap = score.max() - score.min()
实跑输出：
--------------------------------------------------------------------
三种人，六个维度：谁更像训练师
--------------------------------------------------------------------
权重（按训练师岗位的实际比重）：数据敏感 1.2、业务理解 1.2、Python 0.8、统计 0.8、沟通 1.0、耐心 1.0
角色 数据敏感 业务理解 Python 统计 沟通 耐心 加权总分 最低项
---------------------------------------------------------------------------------
算法工程师 6 4 10 9 5 6 38.2 4
业务专家 7 10 2 4 9 8 42.2 2
AI 训练师 9 8 7 7 8 9 48.6 7
算法工程师 的落差 最高 10、最低 4，差 6
业务专家 的落差 最高 10、最低 2，差 8
AI 训练师 的落差 最高 9、最低 7，差 2
算法工程师的 Python 和统计是 10 分，业务理解只有 4 分，加权后总分不高；
业务专家的业务 10 分，Python 2 分，同样被短板拖住。
训练师每一门都不是最高，但最低项是 7——**这个岗位考的是一块没有洞的板**，
因为训练师的工作是把别人的判断翻译成数据，任何一环断了都传不下去。
三行总分是 38.2、42.2、48.6，最低项分别是 4、2、7。
注意总分最高的那个，最低项也是最高的——这不是巧合。
加权那一步用 score @ weight，是矩阵乘法的退化形式（向量点积）。
第二章会讲它在数学上是什么，这里先用。
权重和分数都是我给的假设，不是任何岗位的能力模型。
它们的用处是演示「加权总分 + 最低项」这两个看法怎么一起用。
如果只看总分，业务专家 42.2 比算法工程师 38.2 高，好像更合适；
但加上「最低项」这一列，业务专家的 2 分会立刻暴露问题——他动不了数据。
30 秒实验
- 按你自己的情况打一组分，算加权总分和最低项。
- 把权重改成「Python 1.5」，看三种人的排序会不会变。
- 想一想：为什么招聘要求里很少写「耐心」这一项？
常见误区
- 「技术越强越适合」——算法工程师技术最强，业务理解短板会卡住翻译。
- 「会业务就行，代码让工程师写」——数据动不了，判断就落不了地。
- 「六项都要满分」——不现实，目标是「没有洞」，不是「全 10 分」。
自测三问（点开对答案）
1. 这个岗位为什么强调「没有洞」？ —— 它做的是把业务判断翻译成数据，任何一环断了翻译就断。 2. 六项里哪两项最好补、哪两项不好补？ —— Python 与统计有明确路径可补；数据敏感与业务理解靠泡在业务里。 3. 为什么总分之外还要看「最低项」？ —— 总分高但有一项极低，那一项就是实际卡点。能力清单有了，接着问一个更现实的问题：这个行业缺多少人。
- ☐ （本节完，下一节 1.2.3 AI训练师的人才缺口：挑战与机遇并存）