本文字数：1622，阅读时长大约 3 分钟

作者 | 第一财经 刘晓洁

封图｜AI 生成

9 月 7 日晚，DeepSeek Harness 团队负责人崔添翼在社交平台公开招人，一次性放出了约 150 个名额，" 很多新方向新系统新需求需要搞 "。

对于一向以 " 小团队、高人才密度 " 著称的 DeepSeek 而言，这并不是一次小招聘。这也是继今年 6 月对外释放大规模招聘信号后，DeepSeek 又一次公开扩招。

但从岗位类型来看，两轮招聘的重点有所不同。上一次 DeepSeek 的规划是 " 将所有部门的规模扩大至少一倍 "，招聘覆盖 7 大类岗位，此次 DeepSeek 的招聘更聚焦，主要招聘服务端开发工程师和 Agent（智能体）弹性计算研发工程师这两类。

崔添翼表示，这是一次长期主义的、大规模的投入，2 至 10 年工作经验的资深工程师将是本次招聘的重点关注对象，同时也提到，欢迎应届毕业生及两年以内经验的新鲜力量加入，对特别优秀的候选人，年限要求可适当放宽。岗位的工作地点以北京为主，部分可选择杭州。

他将这次招聘称为 " 前所未有的 150 个 HC 的招聘需求 "。如此大规模补充工程人才，是因为 DeepSeek 面对的 " 量 " 正在迅速变大。

" 计算机领域的任何东西，量变大后都会带来复杂度的巨大增加。" 崔添翼解释，数据量、机器和容器数量、训练任务、评测任务、Agent 环境、用户及请求量等，都在急剧增长。

规模膨胀之后，原有后端系统不一定能够继续支撑未来需求。因此现在 DeepSeek 需要大量招人来升级、维护和重写各种后端系统。

崔添翼今年 3 月加入 DeepSeek，负责新成立的 Harness 团队。他此前 6 月曾表示，团队目标宏大、工作繁重，但人员非常紧缺，" 每天都在面试 "。从此次一次性释放约 150 个岗位来看，DeepSeek 的团队扩张显然还没有结束。

岗位详情显示，这次 DeepSeek 服务端开发工程师的招聘方向包括大模型研究平台方向、Agent 框架组件方向、研发效率基建方向、DeepSeek API 方向、线上服务方向、数据工程方向；Agent 弹性计算研发工程师下面则招聘平台开发和维护方向、底层调优和攻坚方向两类。

在岗位要求中，针对服务端开发工程师，官方要求招聘对象是团队里真正干活、解决问题的人，需要工程技术过硬，交付技术成果能力强，同时对技术本身有热情，不只是份工作，也希望招聘对象比别人更早把 AI 用进工作和生活，" 真的去了解和学习背后的技术，而不是停留在试用 AI 产品上 "。

对于 Agent 弹性计算研发工程师，则侧重于理解需求。DeepSeek 的 Agent 弹性计算平台 DSec 托管着成千上万个沙箱环境，正在推进下一代模型的迭代，为了增加可靠性和效率，DSec 需要修改整个系统栈，" 很多事情前人没有做过，没有现成的答案可抄 "，岗位要求将需求捕捉出来，从模糊想法变成稳定、好用的平台能力。

过去三个月，DeepSeek 动作密集。

今年 6 月完成首轮 500 亿元融资后，DeepSeek 先是开启大规模招聘、扩充团队，随后接连更新 DeepSeek-V4-Flash 正式版、DeepSeek V4 Pro 正式版以及 DeepSeek Harness 开发者预览版。与此同时，DeepSeek 宣布大幅上调 API 价格，最高涨幅达到 11 倍。

近期还有消息称，DeepSeek 计划在其位于内蒙古乌兰察布的在建数据中心内，部署至少 16 万颗华为新一代昇腾 950DT 加速芯片，用来运行其模型，若该计划顺利实施，这将成为目前已知规模最大的国产 AI 芯片集群之一。针对这一消息，DeepSeek 与华为目前均未作出公开回应。

资本层面的扩张也仍在继续。6 月首轮融资完成交割后，市场消息称，DeepSeek 启动了第二轮融资，计划募资 500 亿元，投前估值约 5000 亿元。也有消息提及，DeepSeek 的年度经常性收入（ARR）已达到 5 亿美元。对于上述融资与收入信息，DeepSeek 未作出回应。

从 C 端用户规模来看，DeepSeek 目前仍位居国内头部，排在第三位。根据 Quest Mobile 的数据，截至 2026 年 6 月，DeepSeek 月活用户数为 1.29 亿，仅次于豆包的 3.82 亿、千问的 1.67 亿。

不过，在模型能力排名上，DeepSeek 今年有所回落。根据 AI 基准测试机构 Artificial Analysis 的数据，DeepSeek 模型的智能指数为 36 分，排在榜单第 15 位。榜单前两名仍由海外厂商的 Claude 模型和 GPT-6 占据；国内模型中，智谱和 Kimi 分别位居第 7 和第 9 位，千问排在第 13 位。

对于 DeepSeek 而言，接下来的考验是，如何让人员和资源的增加，转化为更快的模型迭代、以及更成熟的智能体产品。