核心结论招聘量是观察企业预期的高频温度计。某行业、某地区的职位发布量连续多个周期异常下降可能意味着招聘冻结或预算收紧回升如果只集中在少数公司或少数 AI 岗位则更接近“局部复苏”。只要能把 LinkedIn Jobs、Indeed、Naukri 等平台的公开职位数据按周/月聚合成时间序列头条里的裁员与创业故事就可以变成可计算、可复核的指标。一、头条之外2026 年劳动力市场的两条线索线索一AI 人才在“出走”也在“再定价”。2026 年的公开报道反复出现同一类故事大模型、智能体、AI 科研项目的负责人、研究员甚至实习生离开大厂自立门户不少人在正式离职前就敲定融资投资界整理的“大厂离职创业名单”按姓名、原公司、去向、融资情况和投资方成表发布粗略统计相关离职创业者已不下百人。海外同样如此——OpenAI 的持续“裂变”、明星科学家的相继离开都在重复同一个模式资本跟着人才走支票比辞职信先到。线索二游戏行业在“收缩”也在“换结构”。同年游戏行业的裁员持续成为焦点GDC《2026 State of the Game Industry》对超过 2,300 名从业者的调查显示约 28% 的受访者在过去两年经历过裁员Reuters 报道 Microsoft 于 2026 年 7 月宣布削减约 4,800 个岗位约占全球员工 2.1%Xbox 业务首当其冲。与此同时不少公司仍在给 AI、引擎、数据和基础设施岗位开出新职位。这两条线索放在一张桌子上就构成了 2026 年劳动力市场最典型的悖论总量在收缩结构在迁移。总量下降不等于所有技能都降温少数 AI 岗位回升也不等于行业全面复苏。要想把这两个“都正确”的叙事拼成一张完整的图靠的不是更多新闻而是一套可以按周更新、按行业和地区拆分的招聘数据管道。二、为什么招聘量比裁员新闻更早“报信”裁员公告记录的是“已经发生的决定”招聘发布反映的是“正在形成的预期”。一个职位从预算立项到挂上招聘平台中间隔着业务规划、编制审批和招聘渠道选择——所以招聘量的变化往往比组织调整的新闻早一两个季度。痛点之一宏观数据慢企业信号散。GDP、PMI、失业率按月或按季更新且难以细分到“某城市某类岗位”而行业研究者恰恰需要这种颗粒度。财报能看收入看不到“哪家公司在悄悄停招”。痛点之二只看新闻会漏掉“没上热搜”的变化。新岗位发布量下降、全职转合同、远程岗位减少、招聘周期拉长——这些变化从不开发布会却往往是冻结的前奏。等“XX 公司裁员 25%”登上头条信号已经过期了。痛点三结构性分化让“总量”失去解释力。AI 岗位扩张与传统岗位收缩同时发生时总招聘量可能是平的但内部已经换了血。不做技能、职级、雇佣类型和地区的拆分就读不出真实的方向。三、把头条变成指标三个可计算的信号3.1 需要哪些数据字段字段用途可观察信号职位标题 /title归一化岗位族群AI、游戏策划、客户端、数据工程等技能需求结构变化公司 /company按企业或业务线聚合单家公司冻结、扩张或重组地点 /location国家、城市、区域分层地区劳动力市场分化发布时间 /posted_at构建周度、月度时间序列招聘量趋势与拐点职位描述 /description提取技能与职责AI 技能渗透与岗位迁移职级 /experienceLevel实习、初级、中高级、管理层分层哪一层先被冻结工作类型 /jobType全职、兼职、合同、临时用工结构变化办公方式 /workplaceType到岗、混合、远程组织政策与地域弹性申请人数 /applicants岗位竞争度如有供需压力辅助信号薪酬 /salary薪资区间与技能溢价如公开紧缺技能与预算变化各家平台对这些字段的暴露程度不一样薪酬与申请人数经常缺失办公方式只在部分站点可见。做时间序列之前务必确认字段口径随时间的稳定性——字段改名、历史区间不可回溯都会污染基线。3.2 三个核心指标指标一职位发布量指数Hiring Volume Index, HVI以基准期岗位均值为 100HVI_t 当期有效职位数 ÷ 基准期平均职位数 × 100指标二冻结信号Freeze Signal某行业、地区与岗位族群的 HVI 连续多个周期下降同时出现职位撤下加快、全职占比下降、发布公司数减少——标记为“冻结候选信号”。它不是法律意义上的“正式冻结”而是需要用企业公告、财报与裁员新闻复核的预警。指标三解冻信号Thaw SignalHVI 连续回升且回升分布在多家公司、多个关键职能和相邻地区——标记为“复苏候选信号”。若回升只集中在合同岗或少数 AI 岗位只能称为“局部解冻”。四、动手搭一条周/月招聘量监测管道4.1 数据接入按行业、地区、时间窗口采集下面的示例假设你能通过某个 HTTP 接口自建采集服务也好、现成的数据服务也好拿到结构化的职位记录没有接口的话直接把含相同字段的 JSON 导出文件喂给 4.2 的聚合脚本也能跑通。importosimportrequestsimportpandasaspd# 任意返回下列结构化字段的职位数据源均可# job URL / title / company / location / posted_at / applicants / descriptionENDPOINTos.environ[JOBS_API_ENDPOINT]deffetch_jobs(keywords:str,location:str,days:int7)-list[dict]:采集公开职位用于周度/月度招聘量统计。payload{keywords:keywords,location:location,resultsLimit:1000,postedWithinDays:days,# 1 / 7 / 30experienceLevel:MID_SENIOR,jobType:FULL_TIME,workplaceType:REMOTE,}responserequests.post(ENDPOINT,headers{Content-Type:application/json},# 如需鉴权在此补充 headersjsonpayload,timeout90,)response.raise_for_status()bodyresponse.json()returnbody.get(data,body.get(jobs,[]))jobsfetch_jobs(AI OR machine learning OR LLM,United States)dfpd.json_normalize(jobs)df.to_json(linkedin_jobs_weekly.json,orientrecords,force_asciiFalse)print(fCollected{len(df)}public job records)生产环境不要把REMOTE、MID_SENIOR固定为唯一口径全职/合同、远程/混合/到岗、初级/高级应分别跑切片并保存查询条件否则“招聘下降”可能只是筛选变窄。4.2 聚合周度招聘量并计算变化率importpandasaspd jobspd.read_json(linkedin_jobs_weekly.json)jobs[posted_at]pd.to_datetime(jobs[posted_at],errorscoerce,utcTrue)jobsjobs.dropna(subset[posted_at])jobs[week]jobs[posted_at].dt.to_period(W).astype(str)weekly(jobs.groupby([week,location],dropnaFalse).size().reset_index(namejob_count).sort_values([location,week]))weekly[wow_change_pct](weekly.groupby(location)[job_count].pct_change().mul(100).round(2))weekly.to_csv(weekly_hiring_volume.csv,indexFalse)监测游戏行业时把关键词拆成game developer、game designer、technical artist、game producer、Unity、Unreal再单独跑AI engineer、ML engineer、LLM、data infrastructure——这样才能区分“游戏岗位整体收缩”与“游戏公司向 AI 能力迁移”。4.3 多源招聘数据的合并纪律LinkedIn 覆盖全球职业网络与跨国公司但并不覆盖所有市场——比如印度本地岗位大量沉淀在 Naukri 一类平台上。补齐第二数据源之后真正的工程量不在“采”而在“合”统一格式、频率与口径之后先归一化职位标题、公司名称、地点与发布时间再做去重。跳过这一步平台差异就会被误读成招聘增长。4.4 同一套工作流从外贸获客到人才情报这套流程其实是“通用情报工作流”的一个切面建立关键词库 → 建立采集任务 → 精准筛选。外贸团队用它筛国家、品类、公司与联系方式换成人才情报场景只需要把关键词换成AI engineer、game developer、Unity、LLM再把地区、公司、经验级别、办公方式写进任务参数最后按规则过滤无效记录。同理如果要交叉验证的是人才流向而不只是岗位数量还可以补充领英个人主页上公开的职业经历与技能标签——前提同样是合规与去重。行业在变真正难的不是采集动作本身而是关键词体系、时间窗口、去重规则与解释框架的设计。五、冻结还是短期噪音观察结果可能含义复核动作单周下降 20%节假日、搜索波动或采集异常延长观察窗口检查请求成功率连续 3–4 周下降招聘冻结或预算收紧候选信号对比公司数量、岗位类型与招聘公告全职下降、合同岗上升企业降低长期承诺分析雇佣类型、岗位持续时间与薪酬总量下降、AI 岗位上升组织能力迁移或技能重构提取 JD 技能词比较岗位族群多地区同步回升行业复苏可能性更高对比公司覆盖面与职级分布仅一家大公司回升公司级项目启动不外推为行业复苏在实际操作中“招聘量”是最容易被误读的指标之一一个大型雇主集中关闭职位会让城市曲线瞬间下坠一个 AI 项目集中放出上百个岗位又会制造虚假的复苏感。更可靠的做法是同时观察岗位数量、发布公司数、职位族群、雇佣类型和地区分布并对极端值做公司层面的拆分——宏观判断要广度单点事件要克制。六、合规与数据边界这套方法处理的都是公开招聘信息。招聘数据可用于劳动力市场研究、竞争情报、人才规划与经济分析但不应被用来推断个人敏感属性、绕过登录保护、采集私密资料或对个人候选人做未经授权的自动化决策。平台字段、展示方式与历史数据可得性都会随时间变化数据新鲜度取决于采集渠道与请求类型历史可用性取决于具体来源。请保存每次查询的关键词、地区、筛选条件、时间戳与结果数量建立可追溯基线——这也是把“头条叙事”变成“可复核证据”的第一步。七、问与答问招聘岗位数量真的能代表经济周期吗答它是高频代理指标不是 GDP、失业率或裁员人数的替代品。连续多周期下降叠加发布公司数、全职占比、薪资与地区分布才能构成冻结候选信号最终仍需宏观数据与企业公告复核。问怎么按周或按月统计招聘量答对 LinkedIn Jobs、Indeed、Naukri 等公开招聘数据按固定关键词、地区与筛选条件周期采集再按posted_at聚合到周/月维度。关键是每次查询都保存条件与结果数量形成前后一致的统计口径。问采集时需要哪些筛选维度答至少包括关键词、地点、结果数量、经验级别、工作类型、办公方式、发布时间窗口、公司名称、最低薪资等返回侧应尽量覆盖职位标题、公司、地点、发布时间、申请人数与描述等字段。问为什么要多个平台一起采答不同平台覆盖的人群和市场不同LinkedIn 适合全球职业网络与跨国公司观察Naukri 补充印度本地市场。多源采集后必须归一化职位标题、公司名称、地区与发布时间并去重否则平台差异会被误读成招聘增长。问如何区分 AI 招聘增长与行业全面复苏答把 AI、机器学习、LLM、数据基础设施岗位与传统岗位分组分别观察职位量、发布公司数、职级、雇佣类型与地区。只有少数 AI 岗位回升、而传统岗位与公司覆盖面仍下降时准确说法是“局部技能复苏”而非行业全面复苏。别等裁员登上热搜才想起看劳动力市场。固定口径、按时采集、留存每一次查询条件——职位列表就能变成一支每周可读数的温度计头条叙事也才能变成可复核的时间序列。