senior eng下一步：应该坚守MLE还是靠向llm呢？

楼主情况：
目前在某大厂搜广推部门，L5入组，入组3年一直没升，积攒了一些LLM应用的经验，但并无太多且扎实的MLE核心model技能。核心技能在我看来是用model解决问题。

但近期的一次reorg，我们组model相关的更少了，很多就是根据PM的想法做点东西，都是general business logic的那种。PM就总想着快，然后1/2 quarter后又换方向，所以TL也很少propose一些长期的方案，都是短平快的。我的感觉就是大家都装作很忙，表演式工作，熬到下次priority change就好。

我看周围MLE的组，慢慢有自己的评价指标：
1）是不是own一个重要的model
2）有没有一个strong的TL
3）有没有读paper来跟住热点

我们组2和3都没有，1是和research组合作的，我们就提供数据和serving的服务，所以1也很弱。manager也不想自己做1，外包>自研。
所以我的看法是我们组是个伪装成MLE组的general business logic组。

关于下一步的想法：

• 在本组熬升职，毕竟有了3年多

pros：
1）和manager有trust
2）WLB好 （有娃）
cons：
1）好的项目reorg被分走了，我现在处于重新找project的状态
2）我们组在org里感觉偏边缘化
3）做的还是general business logic的东西，感觉skill set并没有提高
4）总结就是温水煮青蛙

• 换到更hardcore一些的搜广推组

pros：
1）扩展skillset
cons：
1）promo要reset
2）从新build trust

• 往LLM靠。核心的train/inference可能短期难以qualify，但大厂里有其他周边的机会，比如eval，各种LLM product的集成

pros：
1）往LLM靠，熟悉了，有经验了就在LLM方向里腾挪
cons：
1） WLB变差 （35hr变60hr的样子）
2）不确定性大，和一些hm聊，大厂做LLM产品相关的reorg很频繁，还和一些从这样的组里跳出来的朋友聊过，他觉得那里就是靠llm忽悠人来了。

我的一个核心问题：
1）需要坚守传统搜广推还是去LLM呢？
搜广推虽然也用generative的新技术，但总体上现在metrics更难move，以及serving cost很难justify。上一波搜广推的红利来自于deep learning的引入，现在generative技术似乎还没有这种效应？
2）如何判断一个MLE的组值不值得待？

想听听大家的看法，感谢！

借lz贴讨论一下；先分享一点data point：
在lz说的大厂搜广推核心组，大家做的事情主要分成几种：
1. 做data；包括data pipeline，我感觉大厂搜广推除非你做的是content underdtanding，否则就是user data，不会做synthetic data
2. 做feature； 这个属于大家不爱做但比较容易出结果
3. 做architecture；这个是不是lz最想做的那种，但周期比较久（现在AI coding就比较快了）、不一定见效
. Waral dи,4. 做infra：其实对非硬核头部phd们来说，体感市场对ml infra比modeling需求大很多
5. 调assembly curve: 最容易出impact的 呵呵呵 想不到吧😂
6. 做agent：这一两年开始的，以前很多传统流程都可以看怎么automate，万物皆可agent化

好了 分享完了 现在说说我的困惑

大厂做了这些（除了infra），想去llm依然难如登天。呵呵呵

职场有3个status： 赢，不输不赢，输。你现在处在不输不赢， 就是有优点有缺点的意思。
     - 赢：优点远多多缺点。
     - 不输不赢： 优缺点大体相当
     - 输： 缺点多过优点 （ 毒厂，或卷厂）

要从不输不赢的职场状态去到赢的状态 （优点远多过缺点），刷题换工作，风险比较大，很大可能还是会沦入不输不赢的状态，运气不好还会去到一个有毒的环境。很多人的职场就是在不输不赢-输之间打转转几十年。

要从不输不赢去到赢的状态，你要networking 上来，在行业里面认识基本靠谱积极进取的leader（30-40个足够了）, 慢慢靠拢，等对方招人的时候，马上贴上。

匿名用户 发表于 2026-10-24 08:49
感觉你都没理解ml啊。LLM不就是ml得一个分支吗？ 只不过transformer架构让海量训练数据得以并行运算，加上 ...

的确是ML的分支，但现在我感觉差别已经大到有生殖隔离了。。
就像cs也曾经是ee的分支

当然，这都是我的一家之言

从现在到llm相关的领域，有什么大的gap吗？

虽然有点晚了，推荐你往llm靠，因为至少目前这边的hc、升职和pkg比传统搜广推好很多，你比较年轻，没有打算很多精力推娃的话，随着娃长大会有更多精力。至于是否值得，要么明确或落实升职加薪，要么做sota，要么wlb性价比极高，三者有一两个就值得。

感谢回复，请问你在llm里面做什么方向的呢？以及在你看来哪些是比较有意思的方向呢？
我个人是觉得train和inference很难quality，毕竟现在人太多了。

匿名用户 发表于 2026-10-24 08:29
从现在到llm相关的领域，有什么大的gap吗？

我感觉这两个一个是目的导向，一个是手段导向

MLE是要提高metrics，用什么技术无不重要，有时加一些rules反而最短平快
LLM的product组是手段导向，把已有的问题都换成LLM来解决，什么问题不主要，重要的是LLM/agentic loop搭起来跑跑看，跑通就中奖，每跑通就换一个。

感觉你都没理解ml啊。LLM不就是ml得一个分支吗？ 只不过transformer架构让海量训练数据得以并行运算，加上海量数据的获取，scaling law蹦出来而已。

我感觉看情况。如果能进eval，infra的话可以考虑走。如果纯agentic produc的话可以谨慎一点，因为感觉他们还不一定能验证有效性，可能job security很差？

听着应该换组，要是纯infra可能还好些

搜光推没什么好做的了太成熟了，建议不要为了升值一点🥜呆在原组


上去了又如何，做的方向不行一切白搭