以下案例由多个具身智能招聘与团队复盘项目抽象而成，企业、岗位及数据均做了脱敏处理，不对应单一公司。

这家人形机器人公司完成约2亿元融资后，第一件事就是扩研发。

老板的要求很直接：

半年，把机器人送进客户工厂。

预算也舍得给。

运控负责人开到100万级，算法团队里有论文漂亮的博士，硬件负责人做过非常惊艳的样机，机械、嵌入式、视觉团队陆续补齐。

从简历看，这是一支很难挑毛病的团队。

真正出问题是在工厂PoC。

第一天上午，机器人连续运行不到两个小时，髋膝关节温升持续上去，驱动开始限流，原本正常的动作越来越软。

下午换任务，现场光线、地面摩擦和物料摆放一变，策略开始频繁失败。

第二天更麻烦。

机器人偶发通信抖动，动作指令已经发出，关节反馈却慢了一拍；算法团队认为是硬件问题，硬件团队认为控制参数没有重新标定，系统团队在查总线和时间同步。

三拨人都很专业。

但没人能马上回答：

这台机器今天为什么不能稳定干八小时？

这次项目复盘后，企业重新冻结了十几个JD。

不是预算不够。

而是他们突然发现：之前招聘的是“把机器人做出来的人”，现在真正缺的是“把机器人长期跑起来的人”。

---

事故情况 01：我们招了很多能做Demo的人，却没人真正对MTBF负责

机器人Demo时代，有一种候选人非常容易被高估。

论文强。

动作漂亮。

公开视频效果惊艳。

现场十分钟展示也没有任何问题。

于是面试的时候，所有问题都围绕：

• PPO怎么调；
• WBC怎么设计；
• 策略网络怎么搭；
• 动作效果做到什么程度；
• 有没有顶会论文。

这些当然重要。

问题是企业进入常态部署以后，技术负责人面对的问题完全换了。

客户不关心机器人今天能不能完成一次漂亮的搬运。

客户关心的是：

今天8小时能跑多久？

失败一次以后能不能自己恢复？

第100次动作和第5000次动作差多少？

发生异常以后是不是每次都需要工程师拿电脑过去重新启动？

这时候招聘标准里的一个词会突然变得非常重要：

MTBF

平均无故障时间。它背后的招聘含义不是要求算法工程师会背可靠性公式。

而是这个人有没有真正经历过持续运行。

我现在面这类候选人，更愿意问：

你参与过的机器人，最长连续跑过多久？

然后继续问：

中间出现过哪些故障？

哪些可以自动恢复？

哪些必须人工介入？

是算法失败、传感器异常、通信抖动，还是执行器热衰减？

如果候选人只能告诉我：

“我们任务成功率92%。”

这个数字远远不够。

因为一个实验环境里成功率92%的机器人，与一个能够连续跑数小时、失败后知道怎么恢复的机器人，工程成熟度差了不止一层。

---

结果：过去最受欢迎的算法大神，可能正好缺部署期最重要的一课

Demo阶段招聘算法人才，看的是：

能不能把能力上限做高。

部署阶段招聘算法人才，还必须看：

能不能把系统下限托住。

两者不是一个问题。例如机器人抓取失败。

过去的解决思路可能是：

重新训练。增加数据。改Reward。换模型。

到了客户现场，可能根本没有时间让你重新训练三天。

现场工程师需要先判断：

• 是视觉置信度掉了；
• 物体位置漂了；
• 抓取姿态不合理；
• 末端执行器没有完全到位；
• 关节温升以后实际输出变化；
• 还是通信延迟造成动作不同步。

然后决定：

重试、降级、切备用策略，还是立即停机。

这就是为什么2026年我们越来越看重“异常恢复”经验。

会把机器人训练出来，是算法能力。

知道机器人为什么坏、坏了以后怎么继续工作，是部署能力。

---

事故情况 02：我们高价挖来了样机高手，却发现他的设计根本不能批量做

这个问题在灵巧手、关节模组和整机硬件上特别典型。

某位候选人样机能力非常强。

机械结构做得漂亮。

重量控制得好。

关节体积也压得很极限。

技术负责人一看作品，基本就想要。

真正进入几十台、几百台以后，问题开始出现：

某个结构需要老师傅手工调整。

某个线束装配必须靠经验。

某个公差设计，实验室加工中心可以做到，供应商量产良率却非常难看。

为了减40克设计出来的复杂零件，单件成本高得吓人。

于是老板问：

“为什么样机30万一台，做500台以后成本还没明显下来？”

答案经常不是采购不够努力。

而是这个产品从一开始就没有按照量产来设计。

---

第二个致命问题：招聘时只问你做出了什么，没问你做出来的东西能不能生产

这也是很多机器人公司过去一两年最明显的人才标准变化。

以前机械专家面试，重点聊：

• 自由度；
• 重量；
• 刚度；
• 结构创新；
• 动态性能。

现在还得加：

• DFM；
• 模具；
• 装配节拍；
• 公差；
• 良率；
• 供应商能力；
• 自动化；
• EOL测试；
• BOM。

一个关节设计得再漂亮，如果产线每天装10套就开始出问题，商业价值很有限。

一个灵巧手做到20自由度也很漂亮。

但如果内部每根腱绳都必须人工调张力，装配工时压不下来，企业迟早还得重新设计。

所以现在我们看100万级硬件负责人，特别关注一段经历：

他有没有亲手经历过“样机 → 小批 → 放量”这一整段。

不是管理过。是实际经历过。

---

事故复盘里，我们后来补问了候选人一个很简单的问题

你做得最成功的一款产品，BOM从第一版到量产版降了多少？

这个问题特别好用。

只做样机的人，经常答得很虚。

真正做过量产的人会马上开始讲：

哪个零件贵。

为什么贵。

哪些结构后来合并。

哪部分由CNC改成压铸或者模具方案。

供应商为什么一直报废。

最后哪一版才真正稳定。

甚至会告诉你：

“这地方理论上还能减80克，但是不能再动了，再动良率会掉。”

这才是部署期企业需要的工程师。

他知道什么时候应该继续追参数，也知道什么时候必须停下来接受工程折衷。

---

事故情况 03：实验室里每个人都是高手，到了客户现场却没有人愿意“接脏活”

这可能是最容易被忽略的一类招聘失败。

机器人在研发中心很好。到了客户现场开始出现：

网络不稳定。

交换机配置不同。

Wi-Fi有干扰。

工业现场存在大量电磁噪声。

时间同步偶发异常。

传感器数据不稳定。

客户IT网络不允许随便开端口。

推理服务器偶尔掉线。

一个本来实验室五分钟能解决的问题，现场可能要查几个小时。

这个时候企业才发现：

算法工程师不愿意管网络。

嵌入式觉得服务器不是自己的。

硬件认为通信是软件问题。

软件又不知道客户现场的电气环境。

所有模块都有人负责。机器人还是跑不起来。

---

这时候需要的不是另一个算法大神，而是部署型工程师

行业里现在更常见的叫法是 Deployment Engineer，部分AI公司也使用 FDE（Forward Deployed Engineer） 这样的角色定义。

机器人企业对这类人的要求非常工程化：既可能要看Python报错，也可能现场排查网络、GPU热问题、推理服务器、VLAN、防火墙和机器人采集链路。当前已经有机器人企业把这些内容直接写进Deployment Engineer岗位职责。

这类人最值钱的能力不是某个算法特别强。

而是：

机器人今天为什么跑不起来，他知道应该先找哪一层。

例如EtherCAT通信异常，他不会第一反应就是“换线”。

他会看：

• 周期抖动；
• 时钟同步；
• 丢包；
• CPU调度；
• 总线负载；
• 驱动状态；
• 上层控制周期。

算法成功率突然下降，也不会第一句话就是“重新训练”。

他会先排除：

• 相机状态；
• 标定；
  -网络；
• 推理延迟；
• 硬件版本；
• 模型版本。

机器人进入部署期以后，这类“什么脏问题都接”的人越来越重要。

---

招聘事故真正的根因，到这里其实已经很清楚了

这家公司不是没有人才。

恰恰相反。

他们招的人每一个单拿出来都很不错。

问题出在人才评估标准还停在Demo时代。

过去企业希望招聘：

把某一个指标做到极致的人。

现在企业越来越需要：

知道指标之间怎么妥协，并且最终对系统结果负责的人。

这两类人才，简历长得可能非常像。

面试方式却必须完全不同。

---

如何修正 01：所有100万级算法岗位，必须补问连续运行

以后再面运控、VLA、Sim2Real和系统算法岗位，我们会建议至少把下面这些问题问完：

• 参与过的真机最长连续运行多久？
• 连续运行期间最高频的三类故障是什么？
• 哪些故障可以自动恢复？
• 有没有设计过Retry、Fallback或安全降级？
• 仿真成功率和真机成功率差多少？
• 硬件版本变化后，策略需要做什么调整？
• 有没有真正驻过客户现场？
• 出现偶发故障时，自己能不能抓Log定位到具体系统层？

注意：

不是数字越大越好。

真正要听的是候选人能不能把“故障—定位—修复—验证”这一段讲清楚。

---

如何修正 02：所有100万级硬件岗位，必须补问量产

关节、灵巧手、电机、结构、执行器负责人，建议直接问：

• 做过最大批量是多少？
• 从EVT/DVT走到量产经历过什么？
• BOM真实降过多少？
• 哪个零件最难做？
• 哪个公差后来被放宽过？
• 哪个设计为了良率主动牺牲了性能？
• 有没有参与自动化装配设计？
• EOL怎么测试？
• 供应商量产做不出来时，自己有没有改过设计？

如果一个年薪100万以上的机器人硬件负责人，只能告诉企业：

“我的结构可以做到行业领先。”

现在已经不够了。

企业更需要的是：

“这个性能做到这里，再往上成本会增加多少，良率会掉多少，我为什么建议停在这里。”

---

如何修正 03：所有部署负责人，都必须做一次故障树面试

我们后来给这类岗位设置了一种很简单的面试方式。

不问八股。

直接给事故。

例如：

机器人在公司运行正常，到客户工厂后，每运行40分钟左右随机出现一次动作卡顿，没有稳定复现路径。

然后看候选人怎么查。

好的部署工程师不会立即拍脑袋给答案。

他会先把问题拆开：

软件版本有没有变化？

机器人硬件版本是否一致？

控制周期有没有异常？

网络环境有没有变化？

现场有没有明显电磁干扰？

GPU、CPU温度和负载有没有异常？

卡顿发生前后总线Log是什么？

推理时间是否出现长尾？

这种问题比问：

“你熟悉ROS 2吗？”

有效得多。

ROS 2本身也正是为了更可靠、更可扩展的真实机器人部署需求而设计，相比早期ROS 1，生产环境所需的通信、可靠性和系统能力受到更多重视。

真正的差距从来不是候选人知不知道ROS 2。

而是出问题的时候会不会用它定位问题。

---

这次招聘事故之后，公司的岗位优先级也变了

原来排在最前面的岗位是：

VLA专家。

强化学习专家。

机械专家。

硬件专家。

重新复盘以后，真正优先补的是：

整机系统负责人。

可靠性负责人。

Deployment Engineer。

NPI负责人。

DFM工程师。

供应链质量。

测试与失效分析。

VLA当然还招。

运控当然还是重要。

但是组织开始明白一件事情：

模型把机器人能力上限拉高，系统工程把机器人能力下限守住。

进入常态部署以后，下限越来越值钱。

---

我们倍利福猎头公司在部署期项目里，也把人才卡尺换了

倍利福猎头公司在协助多家具身智能企业补研发、系统和量产团队时，现在越来越少单独按照“论文、平台、Title”判断一个候选人。

尤其到了整机部署期，我们会把几个过去不太显眼的信息提到前面：

真机累计时长、故障处理经历、产品批量、BOM降本、DFM、现场部署、跨模块问题定位。

因为部署阶段最贵的人才，往往不是履历最华丽的那一个。

而是机器人半夜在客户现场停了以后，他坐下来看到Log，知道下一步应该先查哪里的人。

---

最后只留一句

Demo决定企业能飞多高，常态部署决定企业能走多远。懂工程折衷与降本量产的人，才是这个阶段最贵的资产。