随着 AI 如此快速的发展，目前求职市场上已经出现了 AI提示词 岗位。
大家应该跟我一样，对这种新兴岗位充满好奇心，比如：想知道这类岗位目前的需求量、技能要求、薪资情况等等。
这两天我用 Agent 大模型，对AI提示词岗位做了一波分析，跟朋友们分享一下。
为什么说是 Agent 大模型呢？
因为这次使用的大模型，跟我们之前开发的智能体类似，拥有使用外部工具的能力，比如：执行代码、联网搜索、绘画。同时，也支持自定义外部工具。
下面的分享中，我们可以体会到这个 Agent 大模型 的独特之处。
我们要分析AI提示词岗位，首先要到指定的招聘网站抓取相关的岗位信息。 这时候我们就需要定义一个岗位抓取的外部工具，让大模型来调用。
上面的代码里，参数 tools 中的信息是我们需要定义的工具。这里，定义了 get_job 工具，用来获取岗位信息。工具接收两个参数，一个是岗位名称，另一个是岗位所在的城市。
参数 model 是请求的大模型，glm-4-alltools 就是我们这次用到的 Agent 大模型。
该模型可以通过智谱 MAAS 来调用，访问 https://open.bigmodel.cn/ 查看具体的说明文档。
messages 是给大模型的 prompt，glm-4-alltools 模型可以从 prompt 中准确识别出要调用 get_job 工具，并能准确解析出 get_job 所需的两个参数。
{'city': '全国', 'job_name': '提示词'}get_job 这个外部工具，其实是我定义的一个爬虫代码。
这时候我们就可以调用该函数，爬取相关的岗位。
有了岗位信息，我们就可以做一些数据分析的工作了。比如，我们想知道全国范围内AI提示词岗位在各城市的分布情况。
这时候，只需要把岗位所在的城市，送入大模型，同时，在 tools 中增加 code_interpreter 工具，就可以了。
code_interpreter 是 glm-4-alltools 内置的工具，可以根据分析需求自动生成代码，并执行。
生成的图表会以url链接的形式返回，可以直接在浏览器打开。
可以看到，北京、上海的提示词岗位是比较多的，其余城市均不足10个。
有了 glm-4-alltools ，做数据分析简直太方便了。
同样的方式，我们还可以让 glm-4-alltools 分析学历分布
以及提示词岗位所需要前10项技能。
可以分析的维度还有很多，比如，薪资、公司规模、行业。大家可以用 glm-4-alltools 自行探索。
以上是数值分析部分，有了glm-4-alltools 这样的强大的模型，我们还可以对岗位做文本分析。比如，对岗位打标签。某个岗位可能会被打上 AIGC、AI绘画这样的标签。
这里我们就不需要添加 tools 了，直接用大模型本身的能力就可以。
打完标签之后，我们可以统计标签的分布，对职位有更全局的掌握。
之前，要完成这样的工作，需要人工打标签，训练标签分类器。现在有了大模型，直接调用大模型即可，非常方便。
到这里，分析的工作基本就完成了。
如果有意向从事提示词相关的工作，可以继续调用 glm-4-alltools 查找面试经验。
通过添加 web_browser 工具，可以搜索全网资料，glm-4-alltools 会对检索的资料总结输出。
上面整个流程我们可以整合到一个项目代码中，再配上可视化界面，就可以做成一个通用的职位分析Agent智能体，从而可以分析任何职位。
glm-4-alltools 提供的丰富工具，可以让我们只用一个模型就能快速实现各种强大的功能。从而降低整个项目开发难度，推荐大家使用。
粤ICP备14082021号
免费POC，
零成本试错
