有个做机器人整机的朋友，年初招一个”具身智能工程师”。他花了一整天写JD，从多模态感知、运动规划、VLA模型、强化学习，到仿真平台、ROS2部署、硬件接口调试，整整列了八条要求。他觉得写得够全了，应该能筛出匹配的人。
岗位挂出去两周，收了七十多份简历。他翻了一圈，发现方向极其分散：有的做视觉算法，有的做运动控制，有的做机械结构，有的做大模型，还有的之前做自动驾驶感知，觉得”跟机器人差不多”就投了。
他有点崩溃：我明明写得这么全，怎么收到的简历反而更偏了？
我跟他说，问题可能就出在你写得”太全”了。
一、JD求全，反而导致信号模糊
很多企业写JD有个惯性思维：要求写得越全，越能筛出匹配的人。但在具身智能这个领域，这个逻辑可能正好反过来了。
具身智能是一个能力集合的统称，涉及计算机视觉、自然语言处理、强化学习、机器人学、控制理论、机械设计、电子工程、传感器融合。一个岗位如果同时要求以上所有能力，候选人看到后会怎么理解？
做算法的觉得自己符合”多模态感知”和”VLA模型”，投了。做控制的觉得自己符合”运动规划”和”强化学习”，投了。做结构的觉得自己符合”机械设计”和”硬件接口”，也投了。甚至做大模型的，看到”具身智能”四个字，觉得跟自己沾边，也投了。
JD写得越全，信号就越模糊。 候选人无法判断这个岗位的核心能力到底是什么，只能凭自己的理解去匹配其中一两条，然后投递。结果企业收到的简历方向极其分散，筛选成本反而更高。
我见过一份JD，职位写的是”具身智能工程师”，岗位职责同时覆盖：设计多模态感知系统、开发运动规划算法、构建VLA决策架构、在Isaac Sim里训练、完成Sim-to-Real迁移、对接电机驱动和CAN总线、开展实验验证与迭代优化。任职要求又加了：硕士及以上学历、精通PyTorch、熟悉ROS2、掌握PPO/SAC/Diffusion Policy、有Sim-to-Real落地经验、具备跨学科协作意识。
这份JD看起来面面俱到，但实际上在告诉候选人：我们什么都想要。候选人看完后的反应是：我符合其中一两项，先投了再说。
二、具身智能岗位正在”分裂”，同一名字要的是不同的人
打开招聘软件搜”具身智能工程师”，你会发现这个职位名下面，实际要求已经分裂成了完全不同的几类人。
有的企业要的是算法方向：VLA视觉语言模型、世界模型、强化学习、机器人运动控制、自主决策。有的要的是软硬件开发：电路设计、电机控制、嵌入式系统、ROS2通信。有的要的是机械结构：减速器、齿轮、传动机构、整机设计。还有的要的是系统集成：能把感知、决策、控制、执行串起来，在真实硬件上跑通。
高校人才网上一份中国科学院系统的具身智能工程师JD，岗位职责同时覆盖：多模态感知系统、运动规划算法、VLA决策架构、仿真训练与迁移、硬件接口调试、实验验证与迭代。任职要求又加了：机器人学基础、深度学习框架、ROS2开发、Sim-to-Real经验、跨学科协作意识。
这种岗位在行业内不是不存在，但能满足全部要求的人，确实凤毛麟角。更常见的情况是，企业实际需要的是这个能力集合中的某一块，但JD把全部能力都写上去了，导致寻访方向从一开始就偏了。
三、跨学科特性导致匹配天然难
具身智能不是单一技术领域。它涉及化学、材料、电子工程、控制科学、机械、计算机等多个领域，技术门槛很高，非常依赖专业化人才。
但高校培养的人才，往往是单一学科背景。计算机系的博士对算法理解很深，但可能没碰过电机驱动和CAN总线。机械工程出身的工程师本体设计能力很强，但未必理解Transformer架构。自动化专业的人控制理论扎实，但可能不熟悉大语言模型在机器人决策中的应用。
新华网援引国家信息中心经济预测部研究员的分析指出，目前机器人产业仍处于技术研发与场景验证的关键期，尚未进入大规模批量生产阶段。这意味着行业对人才的需求，仍然是技术研发和系统调试为主，而不是单一技能的大规模复制。
行业在找”通才”，教育体系在培养”专才”。 这个结构性错配，是具身智能招聘匹配度低的底层原因。不是人不行，是培养方向和企业需求之间，缺了一座桥。
四、高校新增专业，但远水不解近渴
2026年有个好消息：教育部正式新增具身智能本科专业，9所顶尖工科高校首批招生，包括北理工、北航、上交、浙大、西交、哈工大等。高校增设速度不可谓不快。
但所有企业HR都要认清一个现实：本科新生2026年才入学，真正大批量进入职场要等到三到四年后。也就是说，2026到2029年，依旧是具身智能人才严重供不应求的窗口期。
猎聘大数据研究院发布的《2026机器人领域人才供需趋势洞察报告》显示，近一年机器人领域新发职位同比增长75.26%，招聘平均年薪达32.80万元。硕士岗位增速最快，同比增长87.80%。架构师、系统工程师等系统集成类岗位增速超110%，技术/研发总监岗位同比激增156.10%。
数字在涨，但匹配难度也在涨。短期高校生源无法兜底产业缺口，高端人才只能靠行业存量挖掘和跨赛道引流。
五、行业从研发转向落地，人才标准在升级
具身智能行业正在经历一个关键转折：从”技术验证”转向”规模化落地”。
早期企业比拼的是算法精度和论文发表，现在比拼的是量产能力和场景落地。新浪AI前沿速递的数据显示，2026年1至5月，我国具身智能产业企业销售收入同比增长22.4%，其中机器人本体与整机制造、AI算法与软件集成、系统集成与行业应用企业销售收入同比分别增长30.1%、24.5%和27.9%。
这种转变直接反映在招聘标准上。以前企业招具身智能人才，可能主要看有没有相关算法经验。现在同样一个”具身智能工程师”岗位，可能同时要求：算法能力、硬件调试经验、仿真到实机的迁移能力、项目交付记录，甚至还要懂客户场景。
市场上不缺”做过机器人”的人，缺的是”能把机器人做成产品”的人。
六、怎么写JD，才能收到方向更集中的简历
不是所有”简历偏”都有问题。有些岗位本来就应该收到方向分散的简历，比如需要跨学科复合能力的岗位，筛选比例低是正常的。
但以下几种情况，说明JD写法出了问题：
- 收到的简历技术方向极其分散，算法、控制、结构、仿真全都有，但没有一个方向是集中的
- 面试了几轮，老板的标准一直在变，候选人反馈”你们到底要什么”
- 同一个岗位反复招聘，每次都在”重新找”
- 岗位挂出去很久，主动投递量很少，说明JD信号发错了
如果出现以上情况，建议先把JD从”求全”转向”求准”。
具体做法是：先明确这个岗位的核心能力优先级，把”必须具备的能力”和”可以后续培养的能力”分开写。比如，如果岗位核心是做VLA算法，就把VLA经验、强化学习背景、Sim-to-Real落地经验放在前面，硬件调试和机械结构可以写成”加分项”而不是”必备项”。
JD写得越聚焦，收到的简历方向就越集中，筛选成本就越低。
七、先把岗位想明白，找人时才不会大海捞针
优必猎在协助企业梳理具身智能中高端岗位时，通常会比马上启动寻访更优先做一件事：确认这个岗位到底需要解决什么问题——是算法突破、硬件集成、仿真迁移，还是场景落地？
具身智能行业的岗位边界在快速溶解，”按岗招人”的方式正在失效。先把岗位到底要什么样的人想明白了，找人时才不会大海捞针。
如果企业正在招聘具身智能工程师、机器人算法专家、运动控制工程师、系统集成负责人等中高端岗位，发现JD写得越全收到的简历越偏，可以先做一件事：把现有JD和基本业务情况整理出来，重新检查岗位定义与市场上实际流通的人才是否对得上。
这比继续扩大简历投递量更管用。
如果岗位画像需要进一步梳理，也可以把现有JD发过来，优必猎可以基于现有信息先帮助企业一起判断岗位定义和人才要求是否匹配市场情况，再决定后续适合采用什么招聘方式。