大家好，我是老渡。

隨著 AI 如此快速的發(fā)展，目前求職市場上已經(jīng)出現(xiàn)了 AI提示詞 崗位。

圖片

大家應該跟我一樣，對這種新興崗位充滿好奇心，比如：想知道這類崗位目前的需求量、技能要求、薪資情況等等。

這兩天我用 Agent 大模型，對AI提示詞崗位做了一波分析，跟朋友們分享一下。

為什么說是 Agent 大模型呢？

因為這次使用的大模型，跟我們之前開發(fā)的智能體類似，擁有使用外部工具的能力，比如：執(zhí)行代碼、聯(lián)網(wǎng)搜索、繪畫。同時，也支持自定義外部工具。

下面的分享中，我們可以體會到這個 Agent 大模型 的獨特之處。

我們要分析AI提示詞崗位，首先要到指定的招聘網(wǎng)站抓取相關的崗位信息。 這時候我們就需要定義一個崗位抓取的外部工具，讓大模型來調用。

圖片

上面的代碼里，參數(shù) tools 中的信息是我們需要定義的工具。這里，定義了 get_job 工具，用來獲取崗位信息。工具接收兩個參數(shù)，一個是崗位名稱，另一個是崗位所在的城市。

參數(shù) model 是請求的大模型，glm-4-alltools 就是我們這次用到的 Agent 大模型。

該模型可以通過智譜 MAAS 來調用，訪問 https://open.bigmodel.cn/ 查看具體的說明文檔。

messages 是給大模型的 prompt，glm-4-alltools 模型可以從 prompt 中準確識別出要調用 get_job 工具，并能準確解析出 get_job 所需的兩個參數(shù)。

{'city': '全國', 'job_name': '提示詞'}

get_job 這個外部工具，其實是我定義的一個爬蟲代碼。

圖片

這時候我們就可以調用該函數(shù)，爬取相關的崗位。

有了崗位信息，我們就可以做一些數(shù)據(jù)分析的工作了。比如，我們想知道全國范圍內AI提示詞崗位在各城市的分布情況。

圖片

這時候，只需要把崗位所在的城市，送入大模型，同時，在 tools 中增加 code_interpreter 工具，就可以了。

code_interpreter 是 glm-4-alltools 內置的工具，可以根據(jù)分析需求自動生成代碼，并執(zhí)行。

生成的圖表會以url鏈接的形式返回，可以直接在瀏覽器打開。

圖片

可以看到，北京、上海的提示詞崗位是比較多的，其余城市均不足10個。

有了 glm-4-alltools ，做數(shù)據(jù)分析簡直太方便了。

同樣的方式，我們還可以讓 glm-4-alltools 分析學歷分布

圖片

以及提示詞崗位所需要前10項技能。

圖片

可以分析的維度還有很多，比如，薪資、公司規(guī)模、行業(yè)。大家可以用 glm-4-alltools 自行探索。

以上是數(shù)值分析部分，有了glm-4-alltools 這樣的強大的模型，我們還可以對崗位做文本分析。比如，對崗位打標簽。某個崗位可能會被打上 AIGC、AI繪畫這樣的標簽。

圖片

這里我們就不需要添加 tools 了，直接用大模型本身的能力就可以。

打完標簽之后，我們可以統(tǒng)計標簽的分布，對職位有更全局的掌握。

圖片

之前，要完成這樣的工作，需要人工打標簽，訓練標簽分類器?，F(xiàn)在有了大模型，直接調用大模型即可，非常方便。

到這里，分析的工作基本就完成了。

如果有意向從事提示詞相關的工作，可以繼續(xù)調用 glm-4-alltools 查找面試經(jīng)驗。

圖片

通過添加 web_browser 工具，可以搜索全網(wǎng)資料，glm-4-alltools 會對檢索的資料總結輸出。

上面整個流程我們可以整合到一個項目代碼中，再配上可視化界面，就可以做成一個通用的職位分析Agent智能體，從而可以分析任何職位。

glm-4-alltools 提供的豐富工具，可以讓我們只用一個模型就能快速實現(xiàn)各種強大的功能。從而降低整個項目開發(fā)難度，推薦大家使用。