Tech Interview Handbook 的 Landscape 篇：软件工程师职业全景——需求、薪酬、公司规模与地理差异

本文基于 tech-interview-handbook 仓库中的 Landscape 文档 展开，系统梳理软件工程师职业市场的四大关键维度：行业需求与职业稳定性、实习转正与全职的薪酬对比、初创公司与大公司的差异、以及硅谷与新加坡的地理薪酬差距。文档主体内容以硅谷（Bay Area）为主要参照系，同时结合仓库中 Offers 应用的 Prisma 数据模型与薪资种子脚本，说明这些“职业全景”概念是如何被结构化存储与统计的，读完你可以获得一份可直接用于职业决策的对照框架，以及一份可复用的薪酬数据建模思路。

软件工程师的职业前景

原文档开宗明义：本文档大部分内容针对 Bay Area，地理差异会在后文单独说明。职业前景部分从四个角度论证了软件工程作为职业的基本盘。

需求旺盛（High demand）

几乎所有领域都在依赖技术，因此软件工程师在几乎每个行业都是刚需。工程师的供需关系是需求大于供给，这直接推高了薪酬水平，而且需求仍在持续增长。

职业稳定（Stable career）

计算机科学正快速普及，工程是备受尊重的专业职业。与创意行业不同，你不需要做到行业前 1% 才能过上体面的生活。文档给出的一个具体数字是：一名大学毕业生进入硅谷公司（无论是大厂还是创业公司），起薪就可以超过 10 万美元，而且此后只会越来越好。

需要终身学习（Requires lifelong learning）

科技行业是变化极快的行业。许多今天常用的技术在十年前还不存在或未流行——例如 2009 年，移动应用开发和区块链几乎无人听闻。工程师必须持续升级技能以保持与市场需求的匹配。对热爱学习的人来说，工程是一个非常好的职业。

灵活度高（Flexible）

软件工程可能是当前存在的最灵活的工作之一，体现在工作时间、地点和环境三方面：

• 地点：物理位置通常不是问题，许多科技公司完全远程办公；
• 着装：没有正装要求，穿衬衫打领带去上班反而会被同事奇怪地打量；
• 工时：工作时间总体弹性。

实习 vs 全职：进入顶级公司的捷径

如果你梦想有朝一日进入顶级科技公司工作，通过实习转正（intern conversion）被雇佣是最容易的路径。原文档给出了三条支撑理由：

1. 面试轮次少：实习面试通常只有 2 轮，而全职面试通常 4-5 轮；
2. 低成本试错：实习让你用约 3 个月的短期工作获得对公司文化和工程团队的 firsthand 理解；
3. 低风险的 return offer：公司倾向于给表现优秀的实习生发放转正 offer，因为他们已经证明了自己胜任工作且能与现有团队磨合，雇佣风险相对更低。

美国：顶级科技公司的实习薪酬（2016 年数据）

顶级科技公司即使对初级候选人的支付也极为慷慨。上图为原文档引用的 2016 年美国顶级科技公司实习薪酬对比（数据来源于 Twitter 上 @rodneyfolz 发布的统计）。

新加坡：2022/2023 年应届与实习薪酬样本

作者团队做了一项调查，了解新加坡知名科技公司 2022/2023 年支付给新人的薪资。以下为结果样本（注意：应届生年度总包为近似值，包含基本工资、股票和目标奖金）：

公司	实习（SGD/月）	应届生年度总包（SGD）
Stripe	$6000	$150,000
Meta/Facebook	$6000	$140,000
Google	$5400	$110,000
Shopee	$4200	$100,000 - $140,000
ByteDance	$4000	$90,000 - $100,000
Grab	$2500	无数据
Visa	$2200	$110,000

公司规模：三种阶段的差异

公司处于不同阶段时，工作重点和具体工作性质可能差异巨大。在产品市场契合（product-market fit）未找到前的早期，公司会快速迭代产品和功能；而已经找到正确产品的大公司则聚焦于扩展基础设施和增长用户。此外，由于股权尚无价值，早期公司的现金薪酬普遍更低——但如果公司 IPO 或被收购，也有机会赚取更多回报。

原文档用一张五维对照表总结了早期创业公司、中后期创业公司与大型公司的区别，这是本文档信息密度最高的部分之一，完整保留如下：

维度	早期创业公司	中后期创业公司	大公司
公司规模	<100 人	100-1000 人	>1000 人
薪酬	基本工资略高于大公司。股权数量更多，但由于公司估值不明、股票尚无价值，其价值难以判断。高风险、高回报。	基本工资略高于大公司。公司估值更清晰，股票更有可能是有价值的。	取决于公司知名度。薪酬通常达到市场标准或更好。若公司已上市，股票是有价值的。
工作类型	以产品开发为主。工程师需要身兼多职——前端、后端、DevOps、设计等。	产品开发加部分基础设施。	角色多样且专业化；每个角色有专人负责。基础设施和生产力工具类工作更常见。内部转岗机会更多，有时甚至跨全球。
职业阶梯	非结构化。没有（或非常模糊的）职级体系。正式的导师制和培训很少。	半结构化。	非常结构化。职级体系定义清晰。
迭代速度	极快。还在挣扎寻找产品市场契合。	中等。已找到产品市场契合，试图扩大用户基础。	产品稳定，用户基数广。渐进式推出变更并做大量实验。

原文档特别注明：以上只是普遍趋势，例外情况同样存在。

一个值得注意的细节是，表中“中后期创业公司基本工资略高于大公司”的说法，与 Understanding Compensation 文档 中“创业公司为弥补股权缺乏流动性，通常给应届生提供 USD 120,000-130,000 的基本工资（高于大厂的 100,000-150,000 区间下沿）”的描述相互印证——创业公司用更高的 base salary 对冲股权不流通的风险。

地理位置：美国 vs 新加坡

同一份 offer 在不同地区的价格和生态完全不同。原文档用下表对比了美国（硅谷/纽约）与新加坡：

	美国（Silicon Valley/NY）	新加坡
起薪	USD 100,000	月薪 $6000（中位数），$6900（75 分位）
人才来源	全球人才，多元国籍和背景	通常是区域性人才，以亚洲为主
公司类型	大公司总部（Facebook、Amazon、Apple、Google、Microsoft 等）、创业公司	大公司的分支机构、创业公司
工程工作类型	取决于办公室/公司规模	产品与基础设施兼备（构建新的编程语言、框架和工具）

新加坡的薪资数据引自 NUS GES 2021 报告（NUS Graduate Employment Survey）。

源码级延伸：仓库如何用数据模型落地这套“Landscape”

上面三张表格（实习/全职薪酬、公司阶段、地理位置）所描述的现实，在仓库中并不是静态文字，而是被 Offers 应用（位于 apps/portal/）建模成一套可提交、可检索、可统计的结构化数据。这一部分帮助理解 Landscape 中“公司规模、地理位置、实习 vs 全职”等维度在工程上的对应关系。

Offers 数据模型：实习与全职的分形结构

在 Prisma Schema 中，每一份 Offer 的存储方式恰好对应本文档的分类框架：

• OffersOffer（约 L360-L386）是核心实体，它关联公司（Company）、地点（City）、接收月份（monthYearReceived）、面试轮次策略（negotiationStrategy）等字段，并通过 jobType（INTERN / FULLTIME 枚举，L326-L329）区分子表；
• OffersIntern（L388-L398）只记录实习相关字段：职位 title、实习周期 internshipCycle、开始年份和月薪 monthlySalary——这与 Landscape 中新加坡表格“Internship (monthly in SGD)”的计量方式完全一致；
• OffersFullTime（L400-L414）则记录全职的 totalCompensation、baseSalary、bonus、stocks 四个货币字段——正是 Understanding Compensation 文档 中“Base salary + Bonus + Equity + Signing”四分法的数据库投影；
• 所有金额统一由 OffersCurrency 模型（L301-L324）承载，同时保存原始 currency/value 和换算后的 baseCurrency/baseValue（默认 USD），这正是“地理差异”能被跨地区比较的前提：新加坡的 SGD 月薪可以被归一化到基准货币后参与统计。

实习周期的取值（Spring/Summer/Fall/Winter/Half year/Full year/Others）定义在 InternshipCycles.ts 中，写入表单选项时会被转成连字符小写值（如 full-year）。

薪资种子脚本：从 Excel 到 Offer 档案

seed-salaries.ts 展示了“Landscape 数据”的入库流程，对应 package.json 中的 seed-salaries 脚本：

1. 用 xlsx 读取 prisma/salaries.xlsx（L15-L39），每行包含 Timestamp、Type（如 FRESH GRAD/MID/SENIOR/INTERNSHIP）、Company、Role、Income、Stocks、Bonus、TC 等列；
2. 从 Role 文本推断标准化职位（getJobTitle，L45-L72：ML Engineer、Backend、Data、DevOps、Security 等，默认 software-engineer）；
3. 从 Type 推断经验年限区间 getYoe（L74-L89：应届 0-2 年、中级 3-5 年、资深 6-10 年、实习 0 年）和职级 getLevel（Junior/Mid/Senior）；
4. 按 INTERNSHIP 分支创建 OffersIntern（月薪，默认假设 SGD），否则创建 OffersFullTime（base/bonus/stocks/TC 四元组），并通过 convert 工具将 SGD 折算到基准货币（L150-L331）；
5. 地点默认关联新加坡（L118-L125，通过城市名查 City），这解释了为什么 Landscape 中新加坡表格的数据量相对最完整。

公司维度的存在性由 companies.csv 经 seed-companies.ts 导入，公司模型（L96-L111）带有 slug、logoUrl、website 和用于搜索排序的 ranking 字段——对应 Landscape 表中“大公司总部 vs 分支机构”的公司维度。

地理位置数据的来源

Landscape 地理对比表中的地区维度，在数据层由 seed.ts 初始化：脚本从 countries.json、states.json、cities.json 三层级联灌入国家-州-城市表，之后每份 Offer 的 location 字段（City 关联）即可以此为基础做地域聚合统计。也就是说，本文档中“美国起薪 vs 新加坡中位月薪”这类对比，在工程上的实现路径就是：按 OffersOffer.location 分组 + 按 jobType 拆分 + 用 OffersCurrency.baseValue 做跨货币归一化。

小结与延伸阅读

Landscape 文档的价值在于把“软件工程师市场”这一宏观话题收敛为四个可操作的决策维度：

• 要不要入行/长期投入：需求旺盛、起薪高、职业稳定，但要求终身学习；
• 应届生怎么进大厂：优先实习转正（2 轮面试 + 低风险 return offer），并理解实习与全职在薪酬结构上的差异（月薪 vs base+bonus+stocks）；
• 选什么规模的公司：用“规模/薪酬/工作类型/职业阶梯/迭代速度”五维表做权衡，注意早期公司的股权不确定性；
• 选什么地区：用起薪水平、人才池、公司总部密度、工作性质四要素对比硅谷与新加坡。

如需进一步深入，可继续阅读仓库中的 Understanding Compensation（薪酬四组件的详细拆解与奖金计算示例）、Negotiation 与 Choosing between companies（拿到多个 offer 后的决策因素）。

最后需要说明数据时效性：本文档中的美元数字（如 10 万美元起薪）与 2016 年美国实习薪酬图均为原文档写作时的快照，新加坡表格覆盖 2022/2023 年；实际决策时请以其作为量级参考，而非精确报价。