评分 7.8 · 来源：Hacker News · 发布于 2026-03-16
评分依据：Karpathy 的工具兼具实用性和方法论创新，LLM 驱动的可视化着色思路值得借鉴
要点
Andrej Karpathy 发布了一个交互式工具，可视化美国劳工统计局（BLS）的 342 种职业数据，覆盖全美 1.43 亿就业岗位。
核心功能：
- 树状图可视化：每个矩形面积对应该职业的总就业人数
- 多维度着色：可切换显示 BLS 预测增长率、薪资中位数、教育要求、AI 暴露度
- 交互式探索：点击任意职业可跳转到 BLS 官方页面查看详情
方法论亮点——LLM 驱动的着色：
工具的开源代码包含一套完整的流水线：
- 爬取和解析 BLS 数据
- 编写自定义 LLM 提示词，为每个职业打分
- 根据分数为树状图着色
「Digital AI Exposure」（数字 AI 暴露度）就是一个示例——用 LLM 评估当前 AI（主要是数字领域）对每个职业的影响程度。但你可以写任何提示词，比如「人形机器人暴露度」「外包风险」「气候影响」，重新运行流水线就能得到不同的着色方案。
评分标准（0-10）：
- 0-1：几乎无影响（屋顶工、园艺师、潜水员）
- 2-3：低影响（电工、水管工、消防员）
- 4-5：中等影响（护士、警察、兽医）
- 6-7：高影响（教师、经理、会计、记者）
- 8-9：极高影响（软件开发、平面设计、翻译、数据分析）
- 10：最大影响（数据录入、电话营销）
重要免责声明：
Karpathy 明确指出这不是严肃的经济研究，只是一个探索工具。高分不代表职业会消失——软件开发得分 9/10，但需求可能因生产力提升而增长。评分未考虑需求弹性、潜在需求、监管壁垒或社会对人类劳动的偏好。
🤖 AI 点评
这个工具最有价值的不是结论，而是方法——用 LLM 作为「可编程的评分引擎」来驱动数据可视化。传统做法是人工定义规则或训练专用模型，Karpathy 直接用提示词工程解决了。这种「提示词 → 评分 → 可视化」的流水线可以快速迭代，适合探索性分析。
关于 AI 对就业的影响，Karpathy 的核心洞察是：工作产出是否本质上是数字化的。如果一份工作可以完全在家用电脑完成（写作、编程、分析、沟通），那 AI 暴露度天然就高（7+），因为 AI 在数字领域的能力正在快速提升。相反，需要物理存在、手工技能或实时人际互动的工作有天然屏障。
这个判断标准比很多复杂的「AI 替代性」研究更直接、更实用。