关于搜广推能干多久的思考

楼主00年，yoe 2.5，在大厂做feed ranking，自认为水平在sr ml generalist，没有强research和infra expertise。mle的定义标准是通过model-driven的方式为业务指标负责，类似quant的标准

先说结论，按照目前ai水平，general swe理论上3、4、普通5可以代替，mle 4可以代替。mle没提到3是因为historically mle不怎么招3。所以swe能砍掉50%，mle能砍掉20%是我的estimate

为什么mle砍掉20%而不是更多，主要bottleneck在于算力瓶颈和业务context。
算力：任何大厂的ranking model如果允许agent开实验，算力很快就会saturate，所以这一步还是要人harness什么实验该做。
业务context：debug模型在线效果的业务经验，目前看不大会被完全蒸馏成skill，因为一是很多人写不清楚，试想你真的认证手搓过skill
吗？二是这是吃饭的本领很多人不会写出来，而是跟关系好的人私下聊

swe和mle都是收编趋势，只是由于大厂惯性，这个趋势不大会是一刀砍下来，而是通过更严格的pip和减少backfill，在未来几年内慢慢发生。

至于出路在哪里，一种是旧赛道持续卷出来，另一种是llm新赛道，which usually需要强的research和infra expertise，看publication或者开源贡献

lz说自己是senior level的2.5yoe的master就感觉好笑

你要知道，mle干活最重要的是research能力，你体会不到这一点只能说明level还不够高

你一个工作两年半的人自认为自己水平是senior, 是哪个公司的senior, meta吗？讲到最后扯什么论文和开源，这不是典型的junior engineer和学生的思维？

startup厂 缺的是 能疯狂写码 把idea落地的人。
大厂 缺的是 能把metrics指标落地，管你写100行 还是10万行。
后者更需要domain expert，少走弯路 找机会 做判断 拉人拉资源 赶紧落地。

AI能不能发现机会 把metrics指标落地，答案是能。但是能不能自主的把整个现有的系统 包括他们的依赖性等等串起来？ 不能。 假如未来把所有知识都存在database里，AI能不能？能。未来有多远，哪些知识应该curate，哪些知识有用，什么时候用, 这么一套巨大的引擎 不一定比domian expert 想的快。

恰恰相反，90%的MLE都会被AI取代，SWE需要大量的context和design，只有senior能做，预计占20%的entry level被取代

只要公司愿意把我跟Agent的对话的Session拿出来，我的Domain knowledge都在里面了. 搜广推人员非常冗余，每个团队能开的实验有上限的 完全砍掉不可能 砍掉五六十完全是可以的

看到不允许agent开实验我就笑了

个人觉得一个人甚至一个公司的思维很难给这种multi-billion question一个正确的解的
SDE/MLE看scope/从事方向等等 都会有不同的侧重和可能的淘汰率的
然后级别真的只是一个数字 除非找工作没用任何实际作用的
SDE淘汰率 个人觉得system design对于context heavy的field几乎没什么用 很多东西是要花时间去熬的 比如infra相关的design 需要底层的knowledge
MLE也类似 不过表现在model的一些架构/怎么和system integrate等等

大厂里 搜广推搞的特别复杂
如果实验流量管够随便让agent 试idea 我觉得是可以把MLE 替代
但目前来看work idea 还是需要人的domain knowledge 和sense的

现在我下面的人，我问他啥他就直接问ai，然后把ai输出报告给我看。我让他测的idea，就ai写diff，发给我review改bug。

这种人基本占了现在junior到senior的90%。现在唯一的价值就是有些ai还没法自动的地方，操作一下。这还能干长远我是不信的。

不要这么保守 ai能力还在不断进化 明年这个时候的能力怕是不仅仅替代swe3 4 5了 三体舰队已经启航 留给人类的时间不多了