開發和測開的秋招有多難：一則牛客熱帖，翻的是大廠人力預算的支出結構帳

一位自稱大廠在職員工的使用者，九月初在牛客網以「大廠員工視角說說今年的秋招難度（開發+測開）」為題發文，從面試官與在職者的雙重視角描述本季校園招募的競爭強度。帖子迅速進入熱榜，評論區聚集了大量應屆生與跳槽者的回饋。這類第一手敘事的價值，在於它把公司財報裡看不到的一環補上了：預算收縮如何逐級傳導到一個具體職缺的錄取率上。

本文不覆述帖內的主觀感受，而是借這則熱帖，把開發與測試開發（測開）兩類職缺放在網路產業資本支出與人力成本結構的框架下檢視。

結構拆解：研發人力在大廠成本表裡的位置

中國頭部網路公司的成本結構，近三年發生的最大變化是資本支出科目的大幅膨脹。以阿裏為例，其 FY2025 資本支出已明顯上調，管理層在財報電話會上明確表態，未來三年在雲與基礎設施的投入將超過過去十年的總和；騰訊 2025 年上半年的資本支出同樣維持在年化千億人民幣量級。這些錢主要流向 GPU 採購、資料中心與算力租賃。

問題在於，算力是資本支出，工程師是營業費用裡的人力成本，兩者共用同一份利潤表。當資本支出以每年翻倍的速度擴張，而營收成長維持個位數到十幾個百分點時，管理層能動的變數只剩費用端。裁員與凍結招聘是最快的槓桿，校招名額則是最後才被擴張、也最先被砍掉的一欄。

這解釋了帖子裡反覆出現的體感：崗位數沒有消失，但每個崗位的履歷池變得極深。開發崗的篩選標準往前端遷移，從「會做專案」上移到「有實習加競賽加論文」的組合門檻；測開崗則因為被賦予更多自動化與工具鏈屬性，要求向開發崗靠攏，純手工測試的職缺持續萎縮。

測開為何承壓更重：一個被技術替代曲線壓縮的職位

把時間軸拉回 2020 到 2022 年。那三年是行動網路末段的高速擴張期，位元組、美團、快手每年校招動輒數千人的規模，測開因為培養週期短、上手快，是擴招的主力職類之一。當時的供需結構裡，測開是應屆生進大廠的相對容易入口。

現在的情況不同了。AI 輔助的測試用例生成、介面自動化與回歸測試工具，直接壓縮了初級測開的工作內容。這不是崗位消失，而是單一崗位的人力密度下降：原本一個業務線需要十名測開，現在可能六名加上一套工具平臺就能覆蓋。職缺總量收縮，但留下來的職缺對程式能力的要求反而提高了。

開發崗的邏輯也類似但方向相反。AI coding 工具提升了在職工程師的產出，但 AI 相關的基礎設施、推理服務與資料工程職缺在擴張。結果是開發崗內部出現明顯的分化：做大模型應用與雲端基礎設施的團隊仍在招人，做傳統業務系統的團隊名額寥寥。

影響推演：誰受惠、誰承壓、傳導鏈怎麼走

傳導鏈的第一環是公司層面。資本支出擴張的公司（阿裏雲、騰訊雲、位元組的火山引擎）對基礎設施與 AI 工程師的需求仍在，但需求結構偏向有相關實習經驗或研究背景的候選人，校招的普惠性下降。

第二環是人力市場的定價。崗位減少加上履歷池加深，等於買方議價權上升。同一個職級的薪資包沒有明顯下調，但兌現難度提高，這與我們先前在遊戲用戶端秋招面經裡觀察到的現象一致：技能的市場價格不是由薪資數字定義，而是由通過篩選的機率定義。遊戲產業的冷卻期與網路大廠的收縮，本質上是同一道算術題在不同行業的投影。

第三環是教育與培訓端。測開長期是轉行培訓機構的主打品類，因為過去它承諾了一條較短的入行路徑。當這條路徑的通過率下降，培訓機構的退費與就業糾紛會滯後六到十二個月出現，這是需求分層變化在消費端的延遲反映。

受惠方則相對清晰：具備 AI 基礎設施、推理優化或資料工程經驗的候選人，面對的是仍在擴張的職缺池；能證明自動化測試平臺開發能力的資深測開，議價能力也未見下滑。承壓最重的是純功能測試背景與傳統業務系統開發的求職者，以及供給端持續放量的一般院校電腦相關科系應屆生。

收束判斷

一則熱帖能登上熱榜，說明它戳中的是結構性問題而非個案。開發與測開的秋招難度，短期看是宏觀與行業週期的疊加，中期看是 AI 工具對初級工程職位人力密度的實質壓縮，長期則取決於 AI 應用層能否創造出足夠多的新職缺來吸收供給。

目前的證據只支持到中期結論。應用層職缺的創造速度，明顯慢於基礎設施的投入速度，兩者之間的時間差，就是這一屆以及未來一兩屆應屆生要直接承擔的成本。對求職者而言，可操作的結論只有一條：篩選標準已經上移，履歷的邊際競爭力要往工具鏈、基礎設施與可驗證的工程產出上堆，而不是往履歷數量上堆。