执行摘要
这项研究沿用和 RTO Index 报告相同的 2025 年 5 月和 2026 年 5 月 Hacker News 招聘语料，但换了一个观察角度：公司在招聘文本里提到 AI 工具、LLM 能力、agentic 工作流以及相关要求的频率到底有多高。
严格 AI 关键词渗透率从 2025 年 5 月的 23.5% 上升到 2026 年 5 月的 35.6%。通俗点说，一年前大概每四条 HN 招聘帖里就有一条会提到具体 AI 工具或 LLM 概念；到 2026 年 5 月，已经超过三分之一。
更关键的变化不只是出现频率，而是层级变化。“Required AI” 从 1.7% 升到 4.1%，而 “Preferred AI” 几乎没有变化。这说明 AI 语言正在从“加分项”进入技术招聘里的“必需项”区域。
关键词组合也变了。2026 年样本里，“agentic” 成了出现频率最高的关键词；而 Claude 与 Claude Code 合计的提及次数，也超过了 Cursor 和 Copilot。对开发者营销、招聘和职业规划来说，这都是一个很有价值的信号：AI 工作流熟练度正在变成主流工程能力的一部分。
最适合分享的结论
- 严格 AI 提及率从 23.5% 升到 35.6%，增加了 12.1 个百分点。
- 宽口径 AI 提及率从 29.5% 升到 39.1%。
- “Required AI” 直接翻倍多一点，从 1.7% 升到 4.1%。
- “Preferred AI” 几乎没动，只从 3.0% 升到 3.5%，这反而让 “Required” 的增长更有分量。
- “agentic” 从 7 次增加到 30 次，成了 2026 年最高频关键词。
- 2026 年 Claude 出现 18 次，Claude Code 出现 11 次，合计 29 次。
- 推动主要变化的是工程岗位，AI 关键词渗透率从 22.1% 升到 36.3%。
公司说“我们对 AI 很感兴趣”，和公司在职位描述里明确写出候选人必须会用哪些 AI 工具，这完全是两回事。前者更像营销姿态，后者才是运营信号。本报告关注的是第二种证据：公司在公开、以工程师为主的论坛里招技术人才时，实际会怎么写。
这个区别很重要，因为 AI 采用数据本来就很嘈杂。LinkedIn 和 Indeed 可以显示 AI 语言暴涨，但招聘平台也会奖励关键词堆砌。公司博客可以显得很激进，却不一定说明真实工作内容。Hacker News 的样本更小、偏差更明显，但语言通常没那么修饰，也更直接。在这里发帖的创始人或工程师，通常是想吸引同行，而不是迎合招聘算法。
所以，这份报告的重点不只是 AI 词汇出现得更多了。更准确地说：AI 语言在招聘文本里的层级被抬高了——从泛泛而谈，到点名工具，再到写进硬性要求。读者在思考职业发展、开发者工具、招聘趋势，或者下一波 B2B 内容时，都可以把这个变化当作参考。
Hacker News 每月 1 日都会发布固定招聘帖 —— “Ask HN: Who is hiring?”。公司会按 公司 | 职位 | 地点 | REMOTE/HYBRID/ONSITE | 描述 的格式回复招聘信息。我们抓取了 2025 年 5 月和 2026 年 5 月两个帖子，总计 619 条招聘评论，并扫描其中是否出现特定 AI 工具和能力关键词。
结论很直接：在 12 个月内，招聘文本里提到 AI 工具的比例从 23.5% 升到了 35.6%。这是 12 个百分点的绝对增长，约等于相对增长 51%。在我们做过的所有趋势报告里，这都属于同等时间窗口里结构变化最快的案例之一——大约是旁边那份 RTO Index 2026 报告里“混合办公 vs 远程办公”+3.3 个百分点变化速度的四倍。
但这 12 个百分点本身并不是最有意思的地方。真正值得关注的是它下面的三层变化。
第一，“Required AI” 翻倍了。 明确写出 required / must have / experience with X AI tool 的帖子，从 2025 年 5 月的 1.7% 升到 2026 年 5 月的 4.1%——按同一分母计算，从 5 条增加到 13 条。把 AI 当作“必须具备”的公司数量，翻了一倍多。AI 在招聘描述里的位置，正在从“最好会”迁移到“入职第一天就得会”。
第二，“agentic” 从几乎消失变成了第 1 名。 2025 年 5 月的帖子里，“agentic” 只出现了 7 次，勉强排进前 20；而 2026 年 5 月出现了 30 次，直接登顶。“agentic”——也就是 AI agent / agentic workflow——在 12 个月内从研究圈术语变成了招聘文本里的标准词汇。过去四次技术浪潮（大数据、区块链、Web3，以及 LLM 本身）都没有在这么短时间里完成这种渗透。背后的推动因素也很清楚：Anthropic 把 Claude 重塑为“会使用工具的 agent”，OpenAI 发布 Computer Use 和 GPT-5 agent 演示，Y Combinator W26 批次里大量项目都围绕 “agentic” 展开。技术叙事在 2024 年末到 2025 年中爆发，而 2026 年 5 月这份样本，正是这股浪潮真正进入招聘文本的时点。
第三，Claude 在点名工具里领先，提及次数是 Cursor 和 Copilot 的两倍多。 “Claude” 在 2026 年 5 月出现了 18 次（而 2025 年 5 月只有 3 次，增长 4.5 倍）。“Claude Code” 作为单独项又出现了 11 次；合计 29 次。Cursor 是 8 次，Copilot 是 6 次。Copilot 在这个赛道里原本就是老牌选手——GitHub 早在 2021 年就推出了它，五年的存在感本应让它在工程师中拥有很强认知度。但在 HN 招聘文本里——也就是工程师写给工程师看的文本里——Anthropic 的 Claude 已经反超。如果你做开发者营销，Anthropic 的实际渗透深度比表面看上去要高得多。这个信号在 LinkedIn 或 Indeed 上看不出来（那些样本会被各家厂商一起做 SEO 关键词填充）；只有在 HN 这种“人与人”语境里才会显现。
把这三个观察放在一起，数据讲的是同一个故事：招聘叙事里的 AI 正在从“我们想做 AI”，转向“我们已经在用 AI，你得会用”。从动词层面看，“build with”“automate via”“use” 越来越常见；而“explore”“research”“prototype” 正在退潮。从工具层面看，Anthropic 的 Claude 生态（Claude + Claude Code + agentic frameworks）正在挑战 OpenAI 在开发者心智中的位置。下面我们逐层展开。
1. 整体：从 24% 到 36%
我们使用一份公开的 AI 关键词字典（完整列表见下）扫描了 619 条招聘评论的全文。命中被分为四个层级，从宽到严：
- Loose：任意 AI 相关关键词（包括像 “machine learning” 这样的宽泛术语）
- Strict：具体 AI 工具（Claude / Cursor / Copilot / OpenAI / Midjourney）或 LLM 类术语（GenAI / LLM / RAG / agentic）
- Required：Strict 命中 + 上下文包含
required / must have / experience with - Preferred：Strict 命中 + 上下文包含
nice to have / preferred / bonus
| 指标 | 2025-05 | 2026-05 | 同比（百分点） |
|---|---|---|---|
| 宽口径 AI 提及 | 29.5% (89) | 39.1% (124) | +9.6 |
| 严格 AI 提及 | 23.5% (71) | 35.6% (113) | +12.1 |
| Required AI | 1.7% (5) | 4.1% (13) | +2.4 |
| Preferred AI | 3.0% (9) | 3.5% (11) | +0.5 |
最有信息量的是 Strict 这一行——它过滤掉了 “machine learning” 这类宽泛词带来的误判。12 个月内，Strict 从 23.5% 升到 35.6%，绝对增长 12.1 个百分点，相对增长约 51%。换句话说：一年前，大约每 4 条 HN 招聘帖里就有 1 条明确提到 Claude / Cursor / Copilot / LLM / RAG 之类工具；如今，已经超过 3 条里有 1 条。
Required 这一行则给出了更尖锐的版本。5 条到 13 条——绝对数不大，但含义很强。把 AI 工具写进“必须具备”部分，意味着这个工具已经嵌入工作流，而不是停留在愿景阶段。“Required” 的增幅比 Loose 和 Strict 都更快，这是最清晰的信号：AI 工具正在从招聘叙事，迁移成真实工作流程的预期。
Preferred 几乎没变，这本身也是信号。如果整场 AI 浪潮只是“在招聘文案里多加几个 AI 词”，那 Preferred 应该会和 Required 一起上升——类似“如果你会 AI 工具，那当然更好”。但 Preferred 只涨了 0.5 个百分点，而 Required 涨了 2.4 个百分点。说明 AI 工具不是在被“顺手提一下”，而是在被往上提级：从加分项变成必需项。
2. 哪些 AI 词被点名：agentic、Claude、LLM 领跑
按提及次数排序，2026-05 帖子里前 12 个 AI 关键词如下：
| 排名 | 关键词 | 2026-05 | 2025-05 | 类型 |
|---|---|---|---|---|
| 1 | agentic | 30 | 7 | 新概念 |
| 2 | LLM | 24 | 16 | 能力类 |
| 3 | LLMs | 19 | 23 | 能力类 |
| 4 | Claude | 18 | 3 | 工具 / 品牌 |
| 5 | AI agents | 15 | 14 | 新概念 |
| 6 | AI-native | 12 | 4 | 新概念 |
| 7 | Claude Code | 11 | 0 | 工具 / 品牌 |
| 8 | RAG | 10 | 6 | 能力类 |
| 9 | AI tools | 8 | 5 | 能力类 |
| 10 | Cursor | 8 | 0 | 工具 / 品牌 |
| 11 | Copilot | 6 | 3 | 工具 / 品牌 |
| 12 | OpenAI | 6 | 8 | 工具 / 品牌 |
有几点值得单独说明。
“agentic” 从 7 次跃升到 30 次，是新概念里的赢家。 一年前在 HN 招聘里几乎没人用这个词；今天它已经排第 1。“agentic”——也就是 AI agent / agentic workflow——在 12 个月内从研究术语变成招聘文本常用语。过去四次技术浪潮（大数据、区块链、Web3，以及 LLM 本身）都没在单年里出现过这么快的渗透。原因很明确：Anthropic 把 Claude 定位成“会用工具的 agent”，OpenAI 发布 Computer Use 和 GPT-5 agent 演示，Y Combinator W26 批次也大量偏向 agentic 创业公司。技术叙事在 2024 年末到 2025 年中爆发，而 2026 年 5 月这份帖子，正是浪潮真正落进招聘文本的样本。
Claude 在点名工具里领先。 18 次提及，再加上 Claude Code 另外 11 次，合计 29 次。Cursor 8 次，Copilot 6 次。Copilot 原本是这个品类里的老牌——GitHub 2021 年就上线了它，按理说五年的认知积累应该形成优势。但在 HN 招聘文本里——工程师写给工程师看的文本——Anthropic 的 Claude 生态已经超过它。如果你做开发者营销，Anthropic 的渗透深度远比表面数字更高。这个信号在 LinkedIn 或 Indeed 上看不到（那些平台会被每个厂商一起做 SEO 关键词轰炸）；它只会出现在 HN 这种人与人交流的语境中。
“LLM” + “LLMs” 合计 43 次。 这是所有能力类关键词里最强的一档。现在“会用 LLM”已经成了默认背景，不再需要额外解释——对 2026 年的工程候选人来说，这差不多相当于 2018 年的“你得会用 git”。
“AI-native” 出现 12 次，从 4 次上升。 这是一个文化/组织层面的关键词——公司要的不只是工具熟练度，而是默认思维方式就是 AI-first 的候选人。这个词出现在招聘文本里，本身就是成熟度信号：市场已经从“招一个懂 AI 的人”，进阶到“招一个把 AI 当默认工作流的人”。
“RAG” 达到 10 次，较此前的 6 次上升。 Retrieval-Augmented Generation 在 2024 年还是研究术语；到 2026 年，它已经直接进入 JD 的要点列表，成为明确的工程要求。向量数据库和检索管道，如今已经是许多公司生产系统中的真实组成部分。
3. 谁在 HN 上写出“Required AI”：这 13 家公司是谁
在 2026-05 的帖子里，有 13 家公司明确把 required / must have / experience with 与 AI 工具关键词绑定在一起。完整名单见图表，下面列一部分代表性样本：
- We The Flywheel（职位：Eng）— JD 明确要求：
Claude;Claude Code;Cursor - SEEKING FREELANCER（职位：Eng）— JD 明确要求：
Cursor;Lovable - Pathos AI（职位：Eng）— JD 明确要求：
OpenAI - Brandfetch (https://brandfetch.com)（职位：Eng）— JD 明确要求：
LLM;AI agent - Dablam（职位：Eng）— JD 明确要求：
AI agents - Starbridge（职位：Eng）— JD 明确要求：
Anthropic;OpenAI;Gemini;LangChain;LlamaIndex - INDATA（职位：Eng）— JD 明确要求：
Claude;Claude Code;Anthropic;OpenAI;Copilot;Cursor - BIT Capital（职位：Eng）— JD 明确要求：
LLM;RAG;agentic
仔细看这些画像。INDATA 要求 Claude / Claude Code / Anthropic / OpenAI / Copilot / Cursor——这已经不是“希望你了解 AI”，而是把整套 AI 工具栈作为入职第一天的预期。Starbridge 列出 Anthropic / OpenAI / Gemini / LangChain / LlamaIndex——模型 API 再加检索框架。We The Flywheel 直接要 Claude + Claude Code + Cursor——就是纯粹的 coding-agent 工具栈。
这些公司有一个共同点：它们选择了 HN 这样的公开渠道来招聘，并且主动把 AI 工具写进了 must-have 部分。这两个选择都很重要。HN 的发布门槛比 LinkedIn 更高——你需要账号，帖子会被同行公开看到，任何夸大其词都会立刻在评论区被指出来。经过这种筛选后，仍然愿意写 Required AI 的公司，几乎可以肯定是真的在工作流里依赖这些工具，而不是单纯填关键词。
对 DTC 运营者、SaaS 营销人和雇主品牌团队来说，这份名单还有第二层用途：“AI 熟练”的雇主品牌叙事，现在已经可以被实证检验。光说“我们在用 AI”还不够——你的职位描述敢不敢写出 Required 加具体工具名称，才真正说明团队里 AI 使用的深度。一个 careers page 写着“我们是一家 AI-first 公司”，但任何 JD 都不点名工具栈，会让候选人觉得前后不一致。
4. 工程岗位的 AI 关键词渗透率从 22% 升到 36%
按岗位类别划分，2026-05 的 AI 命中率如下（仅列出样本数 ≥3 的类别）：
| 岗位类别 | 总数 | AI 命中 | 命中率 | 2025-05 命中率 |
|---|---|---|---|---|
| Founding | 5 | 4 | 80.0% | 100.0% |
| Ops | 6 | 3 | 50.0% | 40.0% |
| Marketing | 8 | 4 | 50.0% | 16.7% |
| AI/Research | 8 | 3 | 37.5% | 33.3% |
| Eng | 237 | 86 | 36.3% | 22.1% |
| Other | 46 | 11 | 23.9% | 21.1% |
| Sales | 3 | 0 | 0.0% | 0.0% |
几点说明。
工程岗位才是真正的主线。 它占了样本的 74.8%（237 条）。AI 命中率从 2025 年 5 月的 22.1% 升到 2026 年 5 月的 36.3%——绝对增长 14 个百分点。本报告里所有宏观层面的“AI 渗透”判断，基本都来自这一行。现在，大约每 3 条软件工程招聘帖里就有 1 条明确提到 AI 关键词——这是过去 12 个月软件招聘文本中最显著的结构变化。
AI/Research 类别只有 8 条，命中率 37.5%，甚至低于工程岗位。 这看起来有点反直觉。理论上“AI Research / AI Engineer”应该接近 100%。之所以不是，是因为这个类别的 JD 常用高度技术化的词汇（比如 “transformer architecture / attention mechanism / pretraining objective”），而我们的字典没有覆盖这些表达。另外样本太小，也会带来噪音。不要把这解读成“AI 研究招聘更少用 AI 词”，这更像是分类覆盖不足，而不是行业现象。
Founding 类别（founding engineer / Chief of Staff / VP-level）在 2026 年命中率达到 80%——样本中 5 条有 4 条命中。这个结果反映了创始团队岗位的写法通常更宽泛——“founding engineer 要身兼数职，也包括 AI 工具能力”。但 5 条样本实在太少，不宜过度解读。
Marketing / Ops 各只有 6-8 条，命中率约 50%。 看上去很高，但主要是样本量效应。在更大的样本里，这些类别大概率会回到 30%-40% 区间。当前样本里 Marketing / Sales / Ops / HR 相关帖子太少，不能据此得出岗位层面的强结论；不要拿这些类别去做岗位级别的宣称。
唯一可以放心引用的岗位级结论是：工程岗位的 AI 关键词渗透率从 22% 升到了 36%。样本够大，变化也够大；其他类别样本太小，不足以支撑强结论。
5. 这为什么重要，以及它的边界在哪里
过去 18 个月里，围绕“AI 是否真的在改变招聘”的争论分成了两派。
乐观派会引用 LinkedIn / Indeed 的数据——GenAI 关键词频率暴涨（LinkedIn Economic Graph 说同比 21 倍；Indeed Hiring Lab 说同比 +330%）。怀疑派则认为，这些数字更多反映的是“公司为了 SEO 往 JD 里塞 AI 关键词”，而不是真实工作场景的变化。
HN 作为样本的价值在于：它不是为了 SEO 或招聘平台算法而优化的。HN 评论是工程师和创始人写给同行看的——没有 LinkedIn 式关键词填充，没有 Indeed CPC 游戏，也没有招聘模板。每条评论都会被 HN 读者实时查看、回复和质疑。任何夸张的 AI 工具说法，都会立刻被点出来。这种公开同行审阅的机制，让 HN 招聘文本成为一个相对干净的真实雇主需求样本。
如果这样一个经过过滤的样本在 12 个月里仍然显示 Strict AI 增长 12 个百分点，那就是一个很强的真实需求信号，而不是平台算法造成的假象。
但样本边界也必须老老实实标注。HN 是开发者 / 早期工程团队 / 创业公司社区，明显偏向早期 AI 采用者。工程岗位占样本的 74.8%；对 Sales / Marketing / HR / Finance / Legal 的代表性则很弱。传统行业（大型金融、制造、零售、医疗、教育）里的 AI 关键词渗透率要低得多；而且大多数这类公司根本不会在 HN 招聘。
所以，这份报告不能被解读成“美国劳动力市场的 AI 渗透率是 35.6%”——它真正表达的是：“在 HN 上一个自我选择的开发者 / 创业公司样本中，招聘文本的 AI 关键词渗透率是 35.6%。”两者差别很大。
6. 给运营、内容和招聘团队的实操建议
把数据转成对相关岗位有用的动作建议。
开发者营销与雇主品牌。把“熟悉 AI 工具”从 careers page 的加分项，移动到“入职第一天就要会”的预期中。35.6% 的 Strict 命中率就是你的同行基准——如果你的 careers page 在 AI 工具可见度上明显低于这个水平，你会输给那些看起来更懂 AI 的竞争对手。具体做法：在 “What you’ll work with” 这一栏里，直接列出具体 AI 工具名称（Claude + Cursor + LangChain + ...），不要只写“现代 AI 工具”这种空泛表达。
SaaS / 工具类产品定位。支持 AI 工作流的产品窗口正在打开。“agentic” 从 7 次涨到 30 次，说明 agentic 基础设施 / 编排 / 可观测性工具在招聘文本里已经有真实需求侧证据。这个品类的 GTM 叙事，现在可以借助 HN 数据做实证锚点，而不必只依赖 Anthropic 和 OpenAI 的愿景文档。
B2B 内容与 SEO。“Claude vs Copilot vs Cursor” 这类长尾搜索，在过去 18 个月里明显升温。本报告的高频关键词列表，很适合作为编辑规划的关键词锚点。“agentic” 还是 SEO 蓝海——2026 年仍然足够早，可以围绕 agentic workflows 建立权威页面（比如“如何构建 agentic workflow”/“Agentic 与传统自动化的区别”等）。在这个赛道里，先发优势仍然有效，因为搜索结果页还没有被某个绝对强势的内容霸占。
招聘实践。可以借鉴 HN 的写法——写 Required，再写具体工具名，而不是“优先考虑有 AI 工具经验”。本报告里的 13 家公司（INDATA、Starbridge、We The Flywheel 等）展示了高保真度的“Required + 点名工具栈”模式。除了能更准确地传递候选人信号，这种写法还能让你在面试中立刻验证候选人——“你说你在用 Cursor；那你用它交付过多少个生产代码库？”
长期跟踪。本报告里的高频关键词列表 + Required 公司列表，可以按季度重复跑——HN Firebase API 是完全公开的，字典维护成本很低，而结果本身就能充当招聘市场 AI 渗透率仪表盘。按季度更新，就能在不需要大额数据采购预算的情况下，持续产出趋势报告。
7. 稳定性检查与对照数据集
任何趋势报告都会遇到读者的核心问题：12 个百分点的变化是真的，还是噪音？ 这里有三项检查。
样本量稳定。 2025-05 总数：302；2026-05：317。只差 15 条。分母稳定意味着占比变化反映的是分子结构真的变了，而不是分母漂移。
Loose 和 Strict 同向变化，而且 Strict 更快。 Loose +9.6 个百分点，Strict +12.1 个百分点。两者同向，而且 Strict 变化更快，说明上涨不只是“AI 词更多了”，而是“点名工具和点名 LLM 更多了”。这排除了模糊词误判导致 Loose 虚高的可能。
Required 增长快于 Preferred。 Required +2.4 个百分点（约 2.4 倍），Preferred +0.5 个百分点（基本持平）。AI 工具不是被更随意地提到，而是在层级中被往上提：从加分项变成必需项。这是最干净的信号，说明 AI 正从额外技能变成基础预期。
对照数据：
| 来源 | 覆盖范围 | 典型解读（2024-2025） |
|---|---|---|
| LinkedIn Economic Graph | 全球 LinkedIn JD | GenAI 标记职位增长约 21 倍同比（2023-2024） |
| Indeed Hiring Lab | 美国 Indeed JD | 所有 JD 中 GenAI 关键词频率同比 +330% |
| Stanford AI Index 2025 | 全球 AI 招聘综合 | AI 类岗位占比 1.7%（2024）→ 2.5%（2025） |
| 本报告（HN Who’s Hiring） | HN 开发者社区，619 条帖子 | 严格 AI 提及率 23.5% → 35.6%（+12.1 个百分点） |
这些结论并不矛盾。 LinkedIn / Indeed 说的 “GenAI 21x / 330%” 指的是专门的 GenAI 岗位（比如 AI Engineer / ML Engineer）——分母很小，所以倍数很夸张。本报告测的是所有 JD 中更广泛的 AI 关键词渗透率——分母更大，绝对变化更温和，但故事覆盖面更广。Stanford AI Index 2025 里的“AI 类岗位占比 1.7% → 2.5%”也是专门岗位的占比，和我们的 “Required AI”（1.7% → 4.1%）接近，但分母不同。不同来源从不同切面指向同一个底层趋势。
方法论
数据来源：Hacker News Firebase API (https://hacker-news.firebaseio.com/v0/item/\{id\}.json)。对比的帖子是 2025 年 5 月（item id 43858554）和 2026 年 5 月（item id 47975571）。每条一级评论视为一则招聘帖（HN 习惯）。与 Return to Office Index 2026 报告使用的是同一份 619 条帖子语料——数据源完全一致，只是分析角度不同。快照日期为 2026-05-12（UTC）。
HN 社区偏差（最重要的注意事项）：HN 的招聘社区以开发者、早期工程团队和 AI 采用型创业公司为主。本报告不能被解读为美国或全球招聘市场的 AI 趋势。传统行业（大型金融、制造、零售、医疗、教育）里的 AI 关键词渗透率要低得多；而且大多数公司根本不会在 HN 招聘。
工程岗位占比高达 74.8%：关于工程岗位的结论最稳妥；关于 Sales / Marketing / Ops / HR 的结论则不稳（每个类别的 N 都小于 10）。本报告里所有岗位级结论，只有工程岗位可以放心使用。其他类别样本太小，不足以支撑强结论。
JD 文本 ≠ 真实岗位要求：JD 往往带有营销话术——比如 “Copilot familiarity” 可能只是 HR 的关键词填充，不一定是入职第一天的硬要求。这里的数据描述的是“JD 文本里出现了哪些关键词”，不是对实际工作中 AI 使用情况的直接测量。两者相关，但不是一回事。
Required 与 Preferred 的准确率约为 75-85%：基于 ±120 字符上下文窗口，边缘案例可能被错分。文中引用的 Required/Preferred 数字，应该理解为“按照我们的规则集计算出的结果”，而不是绝对真理。
词典 v1 存在漏报风险：词典锚定的是 2026-05 的 AI 工具生态，可能漏掉 2026 年末新出现的工具或术语。报告里的 AI 命中率本质上是“在 v1 词典下的命中率”——是一个下限。
同一公司多条招聘不会去重：同一家公司可能出现多次（尤其是发布 10+ 条岗位的公司）。我们用的是“帖子数”而不是“独立雇主数”作为分母，因为同一家公司的多次 AI 要求本身就是一个有意义的信号，反而不该被公司去重抹平。
法律与版权：HN API 是公开只读的，无需认证。评论文本版权归原作者所有；本报告只使用汇总统计和简短关键词频次分析——不逐字引用完整评论。文中点名的公司（13 家 Required-AI 公司）只出现在正面或中性语境中（它们公开声明了 AI 是必需项）。我们不发布原始 CSV/JSON 数据下载；所有数字都可以通过公开的 HN API + 公开词典复现。
注意事项
本报告不能支持以下说法：
- 不能说“所有美国 JD 现在都在要求 AI 工具”（样本是 HN 子集，不是美国劳动力市场）
- 不能说“Company X 不用 AI 工具”（我们没有持续追踪公司）
- 可以合理支持："在 2025-05 和 2026-05 的 HN 招聘帖里，Strict AI 提及率从 23.5% 升到 35.6%（+12.1 个百分点）"
数据来源与版本
数据集：ai_required_position_rate_2026/（本仓库）。快照日期为 2026-05-12 UTC，版本 v1.0（单点同比，词典 v1）。该数据与 Return to Office Index 2026 报告共用同一份 HN 数据，因此可交叉引用。
SEO 与内容团队可引用的要点
这项研究为博客开头、数据亮点、社媒文案、对比页面和后续解读文章提供了多个可引用角度：
- 严格 AI 提及率从 23.5% 升到 35.6%，增加了 12.1 个百分点。
- 宽口径 AI 提及率从 29.5% 升到 39.1%。
- “Required AI” 直接翻倍多一点，从 1.7% 升到 4.1%。
- “Preferred AI” 几乎没动，只从 3.0% 升到 3.5%，这让 “Required” 的增长更有意义。
- “agentic” 从 7 次增加到 30 次，成了 2026 年最高频关键词。
- 2026 年 Claude 出现 18 次，Claude Code 出现 11 次，合计 29 次。
- 推动主要变化的是工程岗位，AI 关键词渗透率从 22.1% 升到 36.3%。
引用时最好同时带上样本边界说明。因为这些数字描述的是本报告使用的特定样本和采集方式，不应被改写成全市场普查、内部采用率，或者对该品类里所有公司的泛化结论。
如果用于编辑内容，最稳妥的写法是：先写清楚样本范围，再给出核心数字。比如，“在这份 HN 招聘样本中”“在这次 DTC 首页静态扫描中”或“在这个 YouTube 频道样本里”，然后再把它延展成更大的趋势讨论。这样更稳，也更容易获得读者信任。
可复现性说明
交付文件夹中包含从原始本地报告包复制而来的以下流程文件。这些文件用于让已发布报告能够对照实际脚本、中间产物、图表以及报告工作流中使用的源草稿进行核验。
process_files/out/analysis_stats.jsonprocess_files/out/hn_jobs_ai_parsed.csvprocess_files/scripts/01_compute_stats.pyprocess_files/scripts/02_make_figs.pyprocess_files/scripts/03_build_data_brief.pyprocess_files/scripts/04_build_report_bilingual.pyprocess_files/scripts/05_module_i_check.py
欢迎将方法论修正、数据问题和后续分析发送至 support@thunderbit.com。本报告基于 2026 年 5 月收集的公开网页或公开 API 信号，阅读时请结合上文所述样本边界理解。
