对比联想去年和今年校招岗位，给出具体建议

引言

最近几天，我看联想发布了校招的岗位，刚好手里有爬虫，用爬虫来分析一下岗位变化趋势，顺便给各位分析一下相关问题。

技术岗基本盘几乎未动，收缩集中在海外供应链；真正的结构变化是口径整体转向 ——
「Agent」从 0 个岗位涨到 8 个，而 Global Future Leaders 管培生项目
从 7 个泛管理岗换成了 5 个清一色的 AI 岗。
后半部分据此推算应届生的应对方式，以及考研与就业两条路的分岔。

• 数据来源：talent.lenovo.com.cn
• 样本：2026 届 102 个岗位 / 2027 届 90 个岗位
• 抓取范围：projectType=1（校园招聘）+ projectType=3（人才项目 GFL）
• 统计口径：岗位条目数，不等于招聘人数

摘要

102 → 90，净减 12 个，降幅 11.8%。

一、岗位类型

硬件开发类以 11 个岗位继续做最大的稳定盘，两届完全持平。AI 开发类是唯一净增 4 个的类别，
而技术研究类净减 4 个 —— 减的恰恰是语音识别、深度学习、技术验证、机器学习、机器人运动控制、边缘计算技术这类单点算法岗，换来的是通用人工智能研究、机器人具身智能研究这种更大口径的方向。

降幅最大的一块与技术无关：供应链工程技术类从 9 个减到 3 个，消失的 6 个均为 Supervisor MPC、
Assistant QS Engineer 等英文岗位，大概率对应已经退出的莫里斯维尔等海外站点。法务类、行政类各 1 个岗位也一并取消。

管培生通道：没有关闭，而是整条换了方向

Global Future Leaders 从 7 个减到 5 个，是小幅收缩 —— 但真正的变化不在数量，在内容。
两届之间 7 个旧岗位全部换掉，5 个新岗位全部是 AI 方向，没有一个重叠。

Consumer Product Management、Business Strategy Operations、Strategic Project Management 这类经典管培岗位消失了，
取而代之的是 AI 云解决方案架构师、AI 合成数据工程师这样需要动手能力的技术岗。
5 个岗位全部在北京、全部属于 SSG、全部要求英文简历，其中 4 个的 JD 里直接出现 LLM / RAG / agent。

这一条推翻了「管培生通道被取消」的直觉判断：门没关，但门票从「管理潜质」换成了「AI 技术能力」。

二、岗位更替

两届之间有 63 个岗位名称完全延续，说明核心岗位序列是稳定的，变化几乎都发生在边缘：
2026 届有而 2027 届消失 39 个，2027 届新增 27 个。

2027 届新增的 27 个岗位

2027 届不再招的 39 个岗位

三、技能要求的口径变化

「Agent」这个词在 2026 届 102 个岗位的 JD 里一次都没有出现过，2027 届出现在 8 个岗位中；
RAG 从 1 个涨到 7 个，大模型、智能体、Prompt 同步从 1 个跃升到 4–5 个；
LangChain / LangGraph / AutoGen 这类框架名是第一次进入 JD。

与此同时，编程语言与通用能力的要求几乎没有变化。变的不是基本功，是基本功之上那一层。

明确提到英语要求的岗位从 16 个降到 12 个。下降主要来自消失的 6 个海外供应链英文岗，
不代表英语变得不重要 —— 相反，GFL 那 5 个岗位 100% 要求英文简历，
英语正在从「普遍要求」变成「特定通道的硬门槛」。

四、工作地

上海和武汉是增长最快的两个点，成都、深圳次之；北京仍是绝对主力，覆盖 63 个岗位、
占 2027 届的 70%（GFL 那 5 个岗位全部在北京，进一步抬高了这个比例）。
西安、南宁、广州、莫里斯维尔四地 2027 届不再出现。

口径：2026 届有 25 个岗位未标注工作地，故分母为「当届有城市数据的岗位数」
（2026 届 77 个，2027 届 90 个）。
一个岗位可对应多个城市，各城市占比之和大于 100%。

五、门槛到底写在哪里

把两届共 192 个岗位的 JD 全文搜一遍学位词：

「硕士」0 次、「博士」0 次、「研究生」0 次。 学历字段两届也都是同一个取值，没有区分度。
在这家公司的 JD 文本层面，硕士学位不解锁任何一个岗位。

真正的差异化写在「优先」里，而且这块在扩张：写了「优先」的岗位从
65/102（63.7%）升到 65/90（72.2%），
优先句从 87 条增加到 95 条。硬门槛没动，加分项在变多。

67 条优先句提到经验 / 项目 / 实习，
5 条提到论文 / 科研 / 专利 —— 比例约 13:1。

这是这份数据里对「读研还是工作」最直接的一条输入：这家公司在校招阶段想买的不是学位，
是项目密度和交付经历。

但硬件类岗位的优先项是另一种性质 —— 它们要的是没有设备和实验室就练不出来的东西：

2.熟悉Linux内核架构及工作原理，具有驱动开发或操作系统开发经验者优先

了解X86架构体系，具有UEFI/BMC相关开发经验者优先（提供系统化岗前培训）

3.了解天线测试方法及常用仪器（如网络分析仪、暗室测试系统等），有实际调试经验者优先

3.熟悉常用电路设计工具或电池仿真软件者优先

这段统计的覆盖范围。 上面的「优先」统计只覆盖中文 JD（65/90 个岗位）。
GFL 那 5 个岗位是英文 JD，用的是 preferred 而非「优先」，共 16 条，未计入上表。
它们的偏好结构也不同 —— 其中唯一明确写「顶会论文、科研经历、专利」的，
正是 GFL 的 AI Technology Innovation Engineer。这一点对下一节的考研判断很关键。

六、应届生怎么应对

1. 先选对门，再谈努力 —— 但要先确认门在哪。
「−12%」是这份数据里最没用的数字，收缩根本不是均匀发生的：海外供应链英文岗从 9 个减到 3 个、
法务行政各减 1；而硬件 11 个持平，软件、数据、设计、营销全部基本持平。
更要紧的是，联想的岗位分在两个入口下（校园招聘与人才项目），只看其中一个会得出
「管培生没了」这种完全错误的结论 —— 本报告初版就犯了这个错。投递前先确认自己有没有把所有入口都翻过一遍。

2. 管培生通道还在，但它现在是一条 AI 技术通道。
GFL 从 7 个变成 5 个，岗位却 100% 换血：Consumer Product Management、Business Strategy Operations
这类泛管理岗没了，换成 AI 云架构、AI 解决方案、AI 合成数据工程。
对非技术背景的人来说，结论不是「这条路断了」，而是**「这条路的门票换了」** ——
5 个岗位全在北京、全要英文简历、4 个 JD 里直接写 LLM / RAG / agent。
想走这条路，英语和 AI 动手能力现在是并列的两张票。

3. 直接冲 AI 岗可能是个陷阱。
AI 开发类看着从 5 涨到 9，但绝对量只是多了 4 个岗位条目，而所有计算机专业的学生都在读同一个信号 ——
申请人的增速会远快于这 4 个坑，竞争比大概率变差而不是变好。

4. 更划算的是把 AI 当乘数，而不是换赛道。
AI 并没有只待在 AI 岗里：营销类新增了「内容营销-AIGC方向」，全栈岗的 JD 写了用 AI Coding 工具做研发。
一个能用 AIGC 做内容的营销候选人，面对的分母比挤 AI Agent 开发工程师的 CS 学生小一个量级。

5. 别把「学框架」当成答案。
提到「算法」的岗位有 20 个，提到 LangChain / LangGraph / AutoGen 的只有 2 个；
Python、Java、C++、数据分析两届之间纹丝不动。框架名进 JD 是方向信号，不是权重信号，
准备时间该按 10:1 分配。

6. 单点算法的身份在贬值，交付能力在升值。
技术研究类砍掉的 6 个是语音识别、深度学习、技术验证、机器学习、机器人运动控制、边缘计算技术 —— 全是以单一算法方向命名的岗位；补上的是通用人工智能研究、机器人具身智能研究，口径明显更宽。
而新增的 5 个 AI 岗（AI Agent开发工程师、AI全栈开发工程师、AI云架构工程师、自动驾驶系统工程师、AI FDE工程师）没有一个是研究岗，全是工程与交付岗。
尤其 AI FDE 这种跟着客户做落地的角色第一次出现，说明公司在把 AI 变现，不是在研究 AI。

7. 两个被低估的套利位：硬件，和非一线城市。
所有人往 AI 挤的时候，硬件开发类纹丝不动还新增了天线、线缆、声学三个不性感的方向；
同时平均每个岗位覆盖 2.09 个城市（上届 1.74 个），武汉从 8 个岗位涨到 17 个、成都从 3 涨到 9。
新设的、在非一线城市的、只招一个人的岗位（苏州的 AI FDE、武汉的自动驾驶系统工程师、
上海的机器人具身智能研究），往往比北京的旗舰 AI 岗好进得多。

七、考研还是就业

先明确算的是谁：2026 年做决定的这批人（2027 届本科生）。就业走 2026 年秋招、2027 年 6 月入职；
考研走 2026 年 12 月考试、2027 年 9 月入学、2029 年（2 年制）或 2030 年（3 年制）毕业。
取 2029 年 6 月这个共同时点做对照。

所以考研的真实收益不是学历本身，而是你用那两三年换到的项目密度。
而这份数据里最刺眼的一点是：技术研究类两届 10 → 6，减的全是研究岗；新增的 5 个 AI 岗一个研究岗都没有。
如果硕士期间做的是论文导向的单点算法研究，积累的恰好是需求正在收缩的那一类。

考研明确划算的三种情况

1. 硬件方向。 看上一节引的 JD 原句就清楚 —— 网络分析仪、暗室测试、电路与电池仿真、CPLD/FPGA 设计流程，
   这些没有设备和实验室就练不出来，工作年限也补不上，学校是主要供给方。
   而硬件盘子两届 11 → 11 纹丝不动。这条线上考研的性价比最高。
2. 具身智能 / 通用人工智能。 是这轮收缩里唯二保留下来、而且是新设的研究岗方向（通用人工智能研究、机器人具身智能研究）。
3. 本科专业不在白名单里。 几乎每条 JD 的第一句都是「计算机科学、软件工程、人工智能、电子信息、
   自动化等相关专业优先」。如果你的专业不在其中，考研是最直接的改籍手段 —— 这个收益与学历高低无关，
   与换赛道有关，而且是就业路线几乎无法补救的。

考研明确不划算的情况

纯软件、后端、Web、测试、交付类。这些岗位的优先项清一色是「项目、实习、经验、框架」，
没有一项需要研究生阶段才能拿到。晚两三年入场就是净损失两三年复利。

另有一层时间尺度上的错配：Agent、RAG 这些词从完全不存在到进入 JD 只用了 12 个月，
而一个硕士要 2–3 年 —— 入学时看到的热词，毕业时大概率已经换过一轮。
但这条只否定「为了追热点去考研」，不否定「为了补基础去考研」：
Python、Java、C++、算法、数据分析两届完全没动，基础是唯一不贬值的部分。

⚠ 这份数据够不着的一层

JD 不写硕士，不等于简历筛选不看硕士。 大厂 HR 初筛环节的学历偏好是真实存在的，
而它不写在 JD 里 —— 本文所有关于「学历不是门槛」的结论，只在 JD 文本口径下成立，
不能推广到实际录取。这是本报告最重要的一条局限。

一句话的判断标准

不是「考研还是就业」，而是：我的目标岗位，能力是靠年限长出来的，还是靠设备和长周期训练长出来的？

口径与局限

统计单位为招聘页面上的岗位条目，不等于实际招聘人数，一个条目可能对应多个 headcount，
因此本文所有结论都是关于「岗位品类结构」的，而非招聘规模。

2026 届数据中有 25 个岗位的工作地字段为空，工作地一节已按有效样本单独计算分母。
2027 届数据里有 7 个工作地代码（4、14、15、18、25、32、34）不在现有城市映射表中，未计入城市排名。
两届的学历要求字段取值均为单一值，无区分度，未纳入分析。

岗位新增/消失依据岗位名称精确比对，名称微调（如「人力资源-薪酬福利方向」→「人力资源-薪酬福利与运营方向」）
会同时计入一增一减，实际业务连续性可能高于表中数字。

关于第六、七节的推算。 这两节是在上述数据基础上的推断，不是数据本身。
两个观测点画不出趋势线，单一公司也代表不了行业；报考人数、录取率、三年后的市场供需均不在本数据范围内。
这份数据的正确用法是择路（判断哪条通道的入口在变宽或变窄），而不是择时，更不是预测行业。