報告｜AI 熟練度招聘需求暴增 24% 至 36%

執行摘要

本研究沿用與 RTO Index 報告相同的 2025 年 5 月與 2026 年 5 月 Hacker News 招聘資料集，但從不同角度切入：公司在招聘文案中提到 AI 工具、LLM 能力、agentic 工作流及相關要求的頻率有多高。

嚴格 AI 關鍵字滲透率從 2025 年 5 月的 23.5% 上升到 2026 年 5 月的 35.6%。白話來說，一年前大約每 4 篇 HN 招聘貼文就有 1 篇提到具體 AI 工具或 LLM 概念；到 2026 年 5 月，則已經超過每 3 篇就有 1 篇。

最值得注意的變化不只是出現頻率，而是層級的提升。Required AI 從 1.7% 升到 4.1%，而 Preferred AI 幾乎沒有明顯變化。這表示 AI 語言正在從「加分項」變成技術招聘中的「必備條件」。

關鍵字組合也出現變化。2026 年樣本中，"agentic" 成為出現次數最多的關鍵字；而 Claude 與 Claude Code 合計提及次數，超過 Cursor 與 Copilot。對開發者行銷、招募與職涯規劃來說，這是一個重要訊號：AI 工作流的熟練度，正在成為工程技術棧的主流能力之一。

最容易轉發的重點發現

1. 嚴格 AI 提及率從 23.5% 升至 35.6%，增加 12.1 個百分點。
2. 寬鬆 AI 提及率從 29.5% 升至 39.1%。
3. Required AI 增幅超過一倍，從 1.7% 升至 4.1%。
4. Preferred AI 幾乎沒變，從 3.0% 到 3.5%，讓 Required 的成長更具意義。
5. "agentic" 從 7 次暴增到 30 次，成為 2026 年的第一關鍵字。
6. 2026 年 Claude 出現 18 次、Claude Code 出現 11 次，合計 29 次。
7. 工程職位是主要推動力，AI 關鍵字滲透率從 22.1% 升到 36.3%。

公司說「我們對 AI 很有興趣」，和公司把 AI 工具直接寫進候選人必須符合的職缺說明，這兩者完全不是一回事。前者偏向品牌宣傳，後者才是真正的營運訊號。本報告聚焦的，就是第二種證據：公司在公開、偏工程師社群的論壇上招募技術人才時，會怎麼寫。

這個區分很重要，因為 AI 採用數據本身很吵雜。LinkedIn 和 Indeed 可以顯示 AI 語言爆炸性成長，但求職平台也會獎勵關鍵字堆砌。公司部落格可以看起來很有野心，卻不一定能證明實際日常工作。Hacker News 的樣本較小、偏差也更明顯，但用字通常更直接、不那麼修飾。創辦人或工程師在那裡發文，通常是想吸引同業，而不是優化招募搜尋引擎演算法。

所以這個結論不只是「AI 字眼出現得更多了」。更精準的說法是：AI 語言在招聘文案中的層級被往上推了——從廣泛興趣，到具名工具，再到必備條件。這種變化，讀者可用來判斷職涯選擇、開發者工具、招募策略，以及下一波 B2B 內容方向。

Hacker News 每月 1 號會固定開一個招募串："Ask HN: Who is hiring?"。公司會以 company | role | location | REMOTE/HYBRID/ONSITE | description 的格式留言招募。我們抓取了 2025 年 5 月與 2026 年 5 月的串，合計 619 則招募留言，並掃描其中是否提及特定 AI 工具與能力關鍵字。

最核心的結果很簡單：在 12 個月內，招聘文案中的 AI 工具提及率從 23.5% 升到 35.6%。這是 12 個百分點的絕對增幅，約等於 51% 的相對成長。若把它放在我們做過的所有趨勢報告中比較，這是同類時間窗內最快速的結構性變化之一——大約是相鄰的 RTO Index 2026 報告中，混合辦公與遠端變化 +3.3 個百分點的四倍左右。

但 12 個百分點本身不是最有意思的部分。真正值得注意的是它下面的三個層次。

第一，"Required AI" 翻倍了。 明確寫出 required / must have / experience with X AI tool 的貼文，從 2025 年 5 月的 1.7% 升到 2026 年 5 月的 4.1%——同樣的分母下，從 5 則變成 13 則。把 AI 工具寫進必備條件的公司比例，成長超過一倍。AI 在職缺描述中的位置，正從「有加分」往「上工第一天就要會」移動。

第二，"agentic" 從幾乎不存在變成第 1 名。 在 2025 年 5 月的串裡，"agentic" 只出現 7 次，勉強擠進前 20；到 2026 年 5 月則出現 30 次，直接登上第一名。"agentic"——也就是 AI agent / agentic workflow——在 12 個月內從研究術語變成招聘文案的標準語彙。回顧過去四波技術浪潮（大數據、區塊鏈、Web3、LLM 本身），沒有一個概念在單一年內跑得這麼快。背後推力也很清楚：Anthropic 把 Claude 重新定位成「會使用工具的 agent」、OpenAI 推出 Computer Use 與 GPT-5 agent 示範、Y Combinator W26 批次大量押注「agentic」新創。技術敘事在 2024 年底到 2025 年中間爆發，而 2026 年 5 月的這份串，正是它落到招聘現場的那個樣本。

第三，Claude 的具名工具提及次數領先，且超過 Cursor 與 Copilot 的 2 倍以上。 "Claude" 在 2026 年 5 月出現 18 次（相較 2025 年 5 月的 3 次，成長 4.5 倍）。"Claude Code" 另有 11 次；兩者合計 29 次。Cursor 是 8 次，Copilot 是 6 次。Copilot 是這個類別的先行者——GitHub 早在 2021 年就推出它，五年的存在感也讓工程師普遍認得它。但在 HN 招聘文案裡——也就是工程師寫給工程師看的內容——Anthropic 的 Claude 已經超車。若你做開發者行銷，Anthropic 的滲透深度其實比表面看起來高得多。這種訊號在 LinkedIn 或 Indeed 裡幾乎看不到（那些樣本被各家廠商一起塞滿 SEO 關鍵字），只有在 HN 這種「人對人」的語境中才會浮現。

把這三點疊起來看，數據只講一件事：招聘敘事中的 AI，正在從「我們想做 AI」變成「我們已經在做 AI，你得跟得上」。從動詞來看，"build with"、"automate via"、"use" 越來越常見；"explore"、"research"、"prototype" 則慢慢退場。從工具面來看，Anthropic 的 Claude 生態系（Claude + Claude Code + agentic frameworks）正在挑戰 OpenAI 在開發者心智中的地位。以下我們逐層拆解。

1. 整體：24% 到 36%

我們使用公開的 AI 關鍵字字典（完整清單如下）掃描了 619 則招募留言全文。命中結果分為四個層級，從寬鬆到嚴格：

• Loose：任何與 AI 相關的關鍵字（包含像 "machine learning" 這類廣義詞）
• Strict：具體 AI 工具（Claude / Cursor / Copilot / OpenAI / Midjourney）或 LLM 類別詞（GenAI / LLM / RAG / agentic）
• Required：Strict 命中 + 前後文包含 required / must have / experience with
• Preferred：Strict 命中 + 前後文包含 nice to have / preferred / bonus

最有資訊量的列是 Strict——它排除了像 "machine learning" 這類廣義詞帶來的誤判。在 12 個月內，Strict 從 23.5% 升到 35.6%，絕對增加 12.1 個百分點，約 51% 的相對成長。白話來說：一年前，HN 招募貼文中大約每 4 篇就有 1 篇明確提到 Claude / Cursor / Copilot / LLM / RAG 這類 AI 工具；現在則是超過每 3 篇就有 1 篇。

Required 這一列則把故事說得更直白。5 則變 13 則——雖然絕對數字不大，但意義很大。把 AI 工具寫進 must-have 區塊，代表這個工具已經實際嵌入工作流，而不是只是未來願景。"Required" 翻倍，且比 Loose 和 Strict 都更快，這是最乾淨的訊號：AI 工具正從招聘敘事，真正移到工作流程的期望裡。

Preferred 幾乎沒變，這本身就是訊號。如果整個 AI 浪潮只是「在招聘文案裡多塞 AI 關鍵字」，那 Preferred 應該會跟 Required 一起上升——像是「如果你會 AI 工具更好，算加分」。但 Preferred 只增加 +0.5 個百分點，Required 卻增加 +2.4 個百分點。這表示 AI 工具不是只是被更常提到，而是被往「必備條件」那一層推進了。

2. 哪些 AI 詞最常被點名：agentic、Claude、LLM 領先

以下是 2026-05 串中，依提及次數排序的前 12 個 AI 關鍵字：

幾個重點值得留意。

"agentic" 從 7 次跳到 30 次，是新概念裡的最大贏家。 一年前，HN 招募裡幾乎沒人這麼寫；今天它已經是第一名。"agentic"——AI agent / agentic workflow——在 12 個月內從研究術語變成招聘常用語。過去四波技術浪潮（大數據、區塊鏈、Web3、LLM 本身）都沒有在單一年內展現這種滲透速度。推動因素也很明確：Anthropic 將 Claude 重新包裝成「會用工具的 agent」、OpenAI 推出 Computer Use 與 GPT-5 agent demo、Y Combinator W26 批次大量聚焦 agentic 新創。技術敘事在 2024 年底到 2025 年中期爆發，而 2026 年 5 月的這份串，正是它正式落地到招聘文本的樣本。

Claude 領先所有具名工具提及。 18 次再加上 Claude Code 的 11 次，合計 29 次。Cursor 是 8 次，Copilot 是 6 次。Copilot 是先行者——GitHub 2021 年推出它，理應擁有長期心智優勢。但在 HN 招聘文案這種「工程師寫給工程師」的場域裡，Anthropic 的 Claude 生態系已經超車。如果你在做開發者行銷，Anthropic 的滲透深度其實遠比表面數字更強。這種訊號在 LinkedIn 或 Indeed 看不到，因為那些平台被各家廠商的 SEO 文案塞滿；只有像 HN 這種人與人直接對話的語境才會顯現。

"LLM" + "LLMs" 合計 43 次。 這是所有能力型關鍵字中最多的。"和 LLM 協作" 已經變成不必多做解釋的基本背景——對 2026 年的工程候選人來說，這就像 2018 年的「你得會 git」。

"AI-native" 達 12 次，高於 4 次。 這是偏文化 / 組織語境的詞彙——公司不只要會工具的人，也想要預設思維就是 AI 優先的人。這個詞出現在招聘文案本身，就代表市場成熟度又往前了一步：已經從「找懂 AI 的人」進化到「找把 AI 當預設工作流的人」。

"RAG" 從 6 次升到 10 次。 Retrieval-Augmented Generation 在 2024 年還是研究術語；到 2026 年，它已經變成職缺條列中的明確工程要求。向量資料庫與檢索管線，如今已經進入許多公司的正式生產系統。

3. 誰在 HN 寫「Required AI」：13 家公司的清單

在 2026-05 的串中，有 13 家公司明確把 required / must have / experience with 和 AI 工具關鍵字綁在一起。完整名單見圖表；以下是具代表性的幾個：

• We The Flywheel（職位：Eng）— JD 明確要求：Claude;Claude Code;Cursor
• SEEKING FREELANCER（職位：Eng）— JD 明確要求：Cursor;Lovable
• Pathos AI（職位：Eng）— JD 明確要求：OpenAI
• Brandfetch (https://brandfetch.com)（職位：Eng）— JD 明確要求：LLM;AI agent
• Dablam（職位：Eng）— JD 明確要求：AI agents
• Starbridge（職位：Eng）— JD 明確要求：Anthropic;OpenAI;Gemini;LangChain;LlamaIndex
• INDATA（職位：Eng）— JD 明確要求：Claude;Claude Code;Anthropic;OpenAI;Copilot;Cursor
• BIT Capital（職位：Eng）— JD 明確要求：LLM;RAG;agentic

這些公司的輪廓很清楚。INDATA 要求 Claude / Claude Code / Anthropic / OpenAI / Copilot / Cursor——這不是「希望你大概懂 AI」；而是把完整 AI 工具棧當成第一天就要具備的能力。Starbridge 列出 Anthropic / OpenAI / Gemini / LangChain / LlamaIndex——模型 API 加上檢索框架。We The Flywheel 則直接要求 Claude + Claude Code + Cursor——典型的 coding-agent 技術棧。

這些公司有一個共同模式：他們選擇用 HN 這種公開管道招募，並且主動把 AI 工具寫進必備條件。這兩個選擇都很重要。HN 的張貼門檻比 LinkedIn 高——你需要帳號，內容會公開給同業看到，而且任何誇大都會在留言區立刻被點出來。經過這層篩選後，還願意寫 Required AI 的公司，幾乎可以肯定真的高度依賴那些工具，而不是單純在堆關鍵字。

對 DTC 經營者、SaaS 行銷、雇主品牌團隊來說，這份名單的第二層用途是參考：「AI fluency」 的雇主品牌敘事，現在已經可以被量化檢驗。 只說「我們有在用 AI」還不夠——你的職缺是否敢寫 Required 加上具體工具名稱，才真正透露團隊 AI 使用的深度。若 careers page 寫著「我們是 AI-first 公司」，但任何 JD 都沒提到具體工具棧，候選人會覺得前後不一致。

4. 工程職位的 AI 關鍵字滲透率從 22% 升到 36%

依職位類別來看，2026-05 的 AI 命中率如下（僅列出樣本數 ≥3 的類別）：

幾個重點：

工程職位才是這份報告真正的主故事。 它占了樣本的 74.8%（237 則貼文）。工程職位的 AI 命中率從 2025 年 5 月的 22.1% 升到 2026 年 5 月的 36.3%，絕對增加 14 個百分點。這份報告中所有關於「AI 滲透」的宏觀結論，主要都建立在這一列之上。現在大約每 3 篇軟體工程職缺，就有 1 篇明確提到 AI 關鍵字——這是過去 12 個月軟體招聘文本中最大的結構性變化。

AI / 研究類別只有 8 則，命中率 37.5%，反而低於工程。 這看起來有點反直覺。理論上「AI Research / AI Engineer」應該幾乎 100% 命中；之所以沒有，是因為這類 JD 使用大量技術詞彙（如 "transformer architecture / attention mechanism / pretraining objective"），而我們的字典沒有完整覆蓋。此外，樣本太小也會增加雜訊。不要把這解讀成「AI 研究職缺比較少寫 AI 詞」，這比較像分類覆蓋缺口，不是產業現象。

創辦人早期職位（founding engineer / Chief of Staff / VP 等）在 2026 年命中率達到 80%——樣本 5 則中有 4 則命中。這反映了這類職缺文案通常寫得比較廣泛——例如「founding engineer 需要同時具備多工能力，包括 AI 工具」。但 5 則樣本太少，不宜過度延伸。

行銷 / 營運各 6 到 8 則，命中率約 50%。 看起來很高，但主要是樣本數效應。在更大的樣本裡，這些類別大概會回到 30% 到 40% 的區間。樣本裡行銷 / 業務 / 營運 / HR 的貼文太少，不能拿來做強結論；不要引用這些類別去推論整個職位層級的趨勢。

唯一可安全引用的職位層級結論是：工程職位的 AI 關鍵字滲透率從 22% 升到 36%。這個樣本夠大、變化也夠大；其餘類別則太小，不足以支撐強判斷。

5. 為什麼這件事重要，以及它的邊界在哪裡

過去 18 個月，關於「AI 到底有沒有真的改變招聘」的討論，大致分成兩派。

樂觀派會引用 LinkedIn / Indeed 的報告——GenAI 關鍵字頻率爆炸性上升（LinkedIn Economic Graph 提到 YoY 21 倍；Indeed Hiring Lab 提到 YoY +330%）。懷疑派則反駁，這些數字只是公司為了 SEO 在 JD 裡堆 AI 關鍵字，未必代表真實工作場景。

HN 這個樣本的價值在於：它不是為 SEO 或招募平台演算法而最佳化的。HN 留言是工程師和創辦人寫給同業看的——沒有 LinkedIn 那種關鍵字填充，沒有 Indeed 的 CPC 遊戲，也沒有招募模板。每則留言都會被 HN 讀者即時觀看、回覆與質疑。任何誇大的 AI 工具說法，都會立刻被抓出來。這種公開同儕審核的機制，讓 HN 招聘文本成為一個相對乾淨的真實雇主需求樣本。

如果像這樣經過過濾的樣本，在 12 個月內仍出現 Strict AI +12 個百分點的增長，那就是很強的真實需求訊號，而不是平台演算法造成的假象。

但也必須誠實標示樣本邊界。HN 是開發者 / 早期工程團隊 / 新創社群，且明顯偏向 AI 早期採用者。工程職位占樣本 74.8%；對業務 / 行銷 / HR / 財務 / 法務的代表性較弱。傳統產業（大型金融、製造、零售、醫療、教育）顯示的 AI 關鍵字滲透率要低得多，而且這些公司大多根本不在 HN 招募。

所以本報告不能被解讀為「美國勞動市場的 AI 滲透率是 35.6%」——它真正說的是：「在 HN 上一個自我選擇的開發者 / 新創樣本中，招聘文案的 AI 關鍵字滲透率為 35.6%。」兩者差很多。

6. 對營運、內容與招募的實務建議

把數據轉成可行動建議，給所有工作與這些領域有交集的人。

開發者行銷與雇主品牌。 把「熟悉 AI 工具」從 careers page 的加分項，移到第一天就要具備的期待。35.6% 的 Strict 命中率，就是你的同業基準——如果你的 careers page 在 AI 工具可見度上明顯低於這個水平，你很可能會輸給那些明顯更 AI fluency 的競爭者。具體做法：在「你會用到什麼」這一段，直接列出具名工具（Claude + Cursor + LangChain + ...），不要只寫「現代 AI 工具」這種模糊說法。

SaaS / 工具產品定位。 支援 AI 工作流的產品，市場窗口正在打開。"agentic" 從 7 次升到 30 次，代表 agentic infrastructure / orchestration / observability 這類工具，在招聘文本中已經有真實需求端證據。這個品類的 GTM 敘事，現在可以直接用 HN 數據當作實證錨點，而不必只依賴 Anthropic 和 OpenAI 的願景文件。

B2B 內容與 SEO。 過去 18 個月，"Claude vs Copilot vs Cursor" 這類長尾搜尋明顯變熱。本報告的關鍵字清單，正好可作為編輯規劃的自然關鍵字錨點。"agentic" 仍是 SEO 藍海——2026 年仍然夠早，適合開始建立權威內容頁（例如「如何建立 agentic workflows」／「Agentic 與傳統自動化有何不同」等等）。這條賽道上，先行者優勢仍然有效，因為 SERP 還沒有被單一內容霸主占滿。

招募實務。 可以借鏡 HN 的寫法——直接寫 Required，加上具體工具名稱，而不是寫「有 AI 工具經驗者佳」。本報告中的 13 家公司樣本（INDATA、Starbridge、We The Flywheel 等）示範了高擬真的「Required + named stack」模式。除了候選人訊號更精準之外，這種寫法也讓你在面試時能立刻驗證候選人——「你說你會用 Cursor，那你實際用它交付過幾個 production codebase？」

長期追蹤。 本報告的關鍵字清單 + Required 公司清單，可以每季重新跑一次——HN Firebase API 完全公開，字典維護成本低，而且結果可以變成招聘市場 AI 滲透率儀表板。每季更新一次，就能形成可發佈的趨勢追蹤，不需要大筆資料採購預算。

7. 穩定性檢查與同類資料交叉比對

任何趨勢報告都會被問：這 12 個百分點的變化是真的，還是雜訊？ 我們做了三項檢查。

樣本量穩定。 2025-05 總數：302；2026-05：317。只差 15 則貼文。分母穩定，代表占比變化反映的是分子結構真的變了，而不是分母漂移。

Loose 與 Strict 同方向變化，而且 Strict 更快。 Loose +9.6 個百分點、Strict +12.1 個百分點。兩者同方向、且 Strict 漲得更快，表示成長不是單純「更多 AI 字眼」，而是更具體的「具名工具與具名 LLM 提及變多了」。這也排除了模糊詞造成的假陽性，畢竟假陽性更容易推高 Loose，而不是 Strict。

Required 漲得比 Preferred 快。 Required +2.4 個百分點（約 2.4 倍），Preferred +0.5 個百分點（幾乎持平）。AI 工具不是被更隨意地提及，而是被往層級上推，從加分項變成必備項。這是 AI 正從額外技能變成基礎期待，最乾淨的一個訊號。

同類資料交叉參照：

這些數據並不矛盾。 LinkedIn / Indeed 的「GenAI 21x / 330%」指的是專職 GenAI 職位（如 AI Engineer / ML Engineer）——分母小，所以倍數看起來很驚人。本報告測量的是所有 JD 中廣義 AI 關鍵字滲透率——分母更大，絕對變化看起來沒那麼誇張，但故事更寬、更貼近整體招聘語境。Stanford AI Index 2025 的「AI 類職位 1.7% → 2.5%」也是專職職位占比，和我們的「Required AI」（1.7% → 4.1%）接近，但分母不同。多個獨立來源都指向同一個底層趨勢，只是切面不同。

方法論

資料來源：Hacker News Firebase API（https://hacker-news.firebaseio.com/v0/item/\{id\}.json）。比較的串為 2025 年 5 月（item id 43858554）與 2026 年 5 月（item id 47975571）。每則頂層留言視為一個招募貼文（HN 慣例）。與 Return to Office Index 2026 報告共用同一份 619 則貼文資料集——來源資料相同，但分析角度不同。快照日期為 2026-05-12（UTC）。

HN 社群偏差（最重要的限制）：HN 的招募社群主要由工程師、早期工程團隊與 AI 採用型新創組成。本報告不能被解讀為美國或全球招聘市場的 AI 趨勢。傳統產業（大型金融、製造、零售、醫療、教育）AI 關鍵字滲透率低得多，而且大多根本不在 HN 招募。

工程類別占比 74.8%：關於工程職位的結論可信度高；關於業務 / 行銷 / 營運 / HR 的結論則不然（每個類別 N < 10）。本報告中所有職位層級結論，只有工程類別可以放心引用；其他類別都太小，不足以支持強結論。

JD 文本 ≠ 真實工作要求：JD 會有行銷性文字——例如「熟悉 Copilot」可能只是人資關鍵字填充，而不是第一天就要做到的工作要求。這些數字描述的是「JD 文本中的關鍵字存在」，不是直接的職場 AI 實際使用量。兩者相關，但並不相同。

Required vs Preferred 的準確度約 75-85%：基於 ±120 字元的前後文視窗，邊界案例仍可能被誤判。因此文中的 Required / Preferred 數字，應理解為「在我們的規則集下」，而不是絕對真理。

字典 v1 有漏抓風險：字典是根據 2026-05 的 AI 工具生態建立，可能漏掉 2026 年底才出現的新工具或新詞。報告中的 AI 命中率，實際上是「在 v1 字典下的命中率」——屬於下限值。

同一公司多則貼文不去重：同一家公司可能出現多次（尤其是 10+ 則貼文的公司）。我們以「貼文數」作為分母，而不是「唯一雇主數」，因為同一公司重複刊登相同 AI 要求，本身就是公司層級 AI 深度的重要訊號；若去重會把這種訊號抹掉。

法律與版權：HN API 為公開唯讀，無需驗證。留言內容的版權屬於原作者；本報告只使用總量統計與短關鍵字頻率分析——不全文引用任何留言。列出的公司名稱（13 家 Required AI 公司）都只出現在正面或中性情境中（它們是自己公開宣稱 AI 為必備條件）。本報告沒有公開原始 CSV/JSON 下載；每一個數字都可透過公開 HN API + 公開字典重現。

注意事項

本報告不支持的解讀：

• 不是「所有美國 JD 現在都要求 AI 工具」（樣本是 HN 子集，不是美國勞動市場全貌）
• 不是「公司 X 不使用 AI 工具」（我們沒有追蹤公司長期變化）
• 可支持的說法："在 2025-05 與 2026-05 的 HN 招聘串中，Strict AI 提及率從 23.5% 升到 35.6%（+12.1 個百分點）"

資料來源與版本

資料集：ai_required_position_rate_2026/（本倉庫）。快照日期為 2026-05-12 UTC，版本 v1.0（單點 YoY、dictionary v1）。此資料與 Return to Office Index 2026 報告共用 HN 資料，可交叉引用。

SEO 與內容團隊可引用的重點

本研究提供多個可引用角度，適合用於部落格開頭、數據標註、社群貼文、比較頁與延伸解說：

• 嚴格 AI 提及率從 23.5% 升至 35.6%，增加 12.1 個百分點。
• 寬鬆 AI 提及率從 29.5% 升至 39.1%。
• Required AI 增幅超過一倍，從 1.7% 升至 4.1%。
• Preferred AI 幾乎沒變，從 3.0% 到 3.5%，讓 Required 的增長更具意義。
• "agentic" 從 7 次暴增到 30 次，成為 2026 年第一關鍵字。
• 2026 年 Claude 出現 18 次、Claude Code 出現 11 次，合計 29 次。
• 工程職位推動了主要變化，AI 關鍵字滲透率從 22.1% 升到 36.3%。

引用時務必帶上限制條件。這些數字描述的是本報告所使用的特定樣本與收集方法，不應被重新包裝成全市場普查、內部採用率，或是對該類別每一家公司的指稱。

對編輯使用來說，最強的寫法是把標題數字和樣本邊界一起寫出來。這會讓主張更穩健，也更容易讓讀者信任。例如，可以寫成「在這份 HN 招聘樣本中」、「在這份 DTC 首頁靜態掃描中」或「在這批 YouTube 頻道樣本中」，再把數字延伸成更廣泛的趨勢討論。

可重現性說明

交付資料夾包含以下從原始本地報告套件複製過來的流程檔案。這些檔案是為了讓已發佈報告能夠對照實際使用的腳本、中間輸出、圖表與原始草稿。

• process_files/out/analysis_stats.json
• process_files/out/hn_jobs_ai_parsed.csv
• process_files/scripts/01_compute_stats.py
• process_files/scripts/02_make_figs.py
• process_files/scripts/03_build_data_brief.py
• process_files/scripts/04_build_report_bilingual.py
• process_files/scripts/05_module_i_check.py

歡迎將方法修正、資料問題與後續分析建議寄到 support@thunderbit.com。本報告基於 2026 年 5 月收集的公開網頁或公開 API 訊號，請搭配上述樣本邊界一併閱讀。