主题专家。严谨的实践者。

大多数AI咨询公司都由三种职业文化之一主导——学术研究文化、软件工程文化或管理咨询文化——而它们的许多失败模式都可以追溯到这种不平衡。我们有意识地在这三者以及我们最常服务的行业领域专业知识这第四个专业领域进行招聘和发展。这种融合并非总是没有摩擦，但它能产生既具思想深度、又具操作可信度且对客户真正有用的工作。

在研究方面，我们涵盖机器学习、计算机视觉、自然语言处理、优化、统计学和经典的知识型传统。在工程方面，我们涵盖数据工程、MLOps、分布式系统、全栈应用程序开发、安全和基础设施。在咨询方面，我们涵盖战略、项目管理、治理和变革。在领域专业知识方面，我们的从业人员在制造业、零售业、金融服务业、医疗保健业、电信业、能源业和公共部门度过了职业生涯的重要部分。

大多数项目至少需要其中三方面的专业知识；有些项目则需要所有四方面的专业知识。团队的构成与问题的性质相匹配，而非反之。

我们的招聘门槛很高，因此招聘流程也相应较慢。我们当然会看重技术深度；但我们更看重在压力下清晰的思维、能够经受两周而不是寥寥数语检验的书面沟通能力，以及在面对难缠客户时依然保持的求知谦逊。我们最终录用的候选人通常都能力远超其入职岗位所需；而被我们拒绝的候选人，常常在纸面上看来技术卓越。

对于无法用其工作所改变的决策来描述其过往成就的候选人，我们会说不；对于其书面报告表现出的自信超过其论证基础所支持的程度的候选人，我们会说不；对于其推荐信中描述为才华横溢但难以共事的候选人，我们也会说不。一家依赖协作的小公司无法承担不善协作的才华所带来的代价，而我们不止一次地从惨痛的教训中吸取了这一点。

我们刻意地跨地域、跨背景和跨职业路径招聘。根据我们的经验，背景的多样性是决定团队提问质量的最大单一因素；而提问的质量反过来又是决定工作质量的最大因素。

“不善协作的才华，是伪装成资产的负债。”

我们的发展模式建立在三项承诺之上。首先，每位从业者都有书面的发展计划，每年更新两次，包含明确的目标和为实现目标所需的支持。其次，每位从业者都会将大部分时间——通常是每两周一天——花在不直接计费的工作上：研究、内部工具、指导、写作。第三，每位从业者都被期望既要学习也要教学；资深等级部分取决于你为团队的集体能力建设贡献了多少。

我们不像大型公司那样将研究、工程和咨询路径分开。我们许多资深从业者在深入的技术工作、面向客户的领导和内部能力建设之间灵活切换，我们构建薪酬和晋升体系以奖励这种灵活性，而不是惩罚它。

结果是，团队培养出的人才极难流失。我们的自愿离职率很低，而离开我们的从业者往往是去了我们很高兴曾帮助他们做好准备的岗位——在某些情况下，甚至包括我们持续合作的客户那里的高级内部职位。

我们大部分时间都在远程工作，在客户项目中则以混合模式为主，并且每种模式都是刻意为之。远程工作由清晰的书面规范支持——何时撰写、何时开会、何时升级问题——并通过工具使异步协作真正高效，而非礼貌性的虚设。我们投资于每个团队和全公司的定期面对面时间，因为这些周建立起来的关系会在接下来的几个月里带来丰厚回报。

我们对书面沟通有着高标准。架构决策在制定前会先写下来；客户对话会在数小时内记录在共享笔记中；重要的观点会以足够长的文档形式保存，以便能够对其进行挑战和修订。虽然这种纪律偶尔会显得冗长，但从整体来看，它是我们工作质量的最大单一贡献者。

我们欢迎分歧，并对其进行结构化管理。我们期望从业者能够坚持技术立场，当证据要求时，能够不带怨恨地放弃这些立场，并在决策一旦作出后，坚定地遵循既定方向。这三点中的中间一点在其他地方最常被忽视；而我们认为它是不可谈判的。

我们持续招聘，而不是为了填补特定职位，我们尤其对具深厚应用经验的中高级从业者感兴趣。最常出现的职位包括：高级机器学习工程师；熟悉现代云栈的数据工程师；具工业部署经验的计算机视觉专家；MLOps工程师；具应用AI交付经验的顾问；以及具将研究成果转化为生产能力记录的研究科学家。

如果您认为您的确切背景未在上述列表中体现，我们也很乐意听取您的意见；最直接的方式是书面描述您接下来希望从事的工作类型、您希望在何种限制下工作以及您认为您可以做出的贡献。我们会在两周内回复所有可信的询问。