内容
# AI 职业威胁指数
> 您的工作岗位有多大程度上受到 AI 的威胁？300 种职业按照开放式评分标准进行评估 —
> 每个职业包含四个已发布的子分数，包括对 **自主代理** 的威胁。
> 每季度更新。MIT 许可。
[](LICENSE)
[](https://github.com/Jott2121/ai-career-threat-index/actions/workflows/validate.yml)
[](https://huggingface.co/datasets/Jott2121/ai-career-threat-index)
[](https://doi.org/10.5281/zenodo.21227026)
**[▶ 探索所有 300 种职业的交互式工具](https://jott2121.github.io/ai-career-threat-index/)** ·
[本季度优劣势职业](reports/2026-q3-winners-losers.md) ·
[方法论](pipeline/RUBRIC.md) ·
[通过 AI 助手（MCP）查询](mcp/)
## 这是什么
AI 职业威胁指数对 **300 种美国职业** 进行 AI 替代风险评估，分数范围为 0-100。与单一的黑盒数字不同，每个分数都分解为 **四个已发布的子分数**，并附有书面理由：
| 子分数 | 回答的问题 |
|---|---|
| `taskAutomation` | 目前有哪些核心工作可以由 AI 完全自动化，准确率 ≥90%？ |
| `toolMaturity` | 针对这些任务的 AI 工具成熟度和部署情况如何？ |
| `adoption` | 有多少雇主在生产环境中使用 AI 完成这些任务？ |
| `agenticExposure` | 有多少工作可能被 **自主多步骤代理** 取代，而不仅仅是辅助工具？ |
通过开放式公式组合（任务自动化设置上限；成熟度和采用率决定实现程度；自主代理威胁增加压力）：
```
score = taskAutomation × (0.45 + 0.30·toolMaturity/100 + 0.25·adoption/100) + 0.10·agenticExposure
```
`agenticExposure` 因素是我们所知的第一个针对 **自主代理** 威胁的职业评分指标 —— 这是 2024 年的辅助工具与 2026 年的代理部署之间的关键区别。
**诚实声明：** 分数是基于 **已发布的标准** 的结构化编辑估计，具有命名锚点和校准示例 —— 参考了 O\*NET 任务列表、BLS OES 数据和公共采用研究。它们不是测量值，我们也不声称如此。所有输入都存储在此仓库中；如果您不同意某个子分数，请 [提出问题](../../issues) 并与理由进行辩论 —— 这就是发布它们的意义。
## 获取数据
```bash
git clone https://github.com/Jott2121/ai-career-threat-index.git
# 或直接下载文件：
curl -LO https://raw.githubusercontent.com/Jott2121/ai-career-threat-index/main/data/ai-career-threat-index.json
curl -LO https://raw.githubusercontent.com/Jott2121/ai-career-threat-index/main/data/ai-career-threat-index.csv
curl -LO https://raw.githubusercontent.com/Jott2121/ai-career-threat-index/main/data/soc-crosswalk.csv
```
| 文件 | 内容 |
|---|---|
| [`data/ai-career-threat-index.json`](data/ai-career-threat-index.json) | 完整数据集：300 种职业、子分数、理由、任务、防御技能、季度历史 |
| [`data/ai-career-threat-index.csv`](data/ai-career-threat-index.csv) | 平面表格，每行一个职业 — 适用于 Excel/pandas/R |
| [`data/soc-crosswalk.csv`](data/soc-crosswalk.csv) | **所有** BLS SOC 2018 职业（867 个代码）映射到其最近的评分职业 |
| [`data/changelog.md`](data/changelog.md) | 版本历史和显著变动 |
交叉索引意味着任何美国职业 —— 即使我们不直接评分的职业 —— 都可以解析为具有明确匹配质量的已评分邻近职业。
## 在代码中使用
**Python**
```python
import requests
data = requests.get("https://raw.githubusercontent.com/Jott2121/ai-career-threat-index/main/data/ai-career-threat-index.json").json()
# 对自主代理威胁最大的职业
hot = sorted(data["roles"], key=lambda r: -r["subscores"]["agenticExposure"])[:10]
for r in hot:
print(f'{r["title"]:35} agentic={r["subscores"]["agenticExposure"]} overall={r["score"]}')
```
**JavaScript**
```javascript
const url = "https://raw.githubusercontent.com/Jott2121/ai-career-threat-index/main/data/ai-career-threat-index.json";
const data = await fetch(url).then(r => r.json());
const rising = data.roles.filter(r => r.score - (r.historicalScores["Q2 2026"] ?? r.score) >= 3);
```
**R**
```r
roles <- read.csv("https://raw.githubusercontent.com/Jott2121/ai-career-threat-index/main/data/ai-career-threat-index.csv")
cor(roles$score, (roles$salary_low_usd + roles$salary_high_usd) / 2)
```
更多示例见 [`examples/`](examples/)。
## 通过 AI 助手查询
仓库中包含一个零依赖的 [MCP 服务器](mcp/) ——
[`threat-index-mcp` on npm](https://www.npmjs.com/package/threat-index-mcp) —— 因此 Claude
（或任何 MCP 客户端）可以直接查询数据集：
```bash
claude mcp add threat-index -- npx -y threat-index-mcp
```
然后询问：*"比较 paralegal、bookkeeper 和 welder — 哪一个对自主代理的威胁最大？每种职业应该发展哪些技能来防御？"*
## 架构（v2026.3）
每个职业记录：
| 字段 | 类型 | 描述 |
|---|---|---|
| `slug` / `title` / `category` | 字符串 | 身份；15 个类别 |
| `socCode` | 字符串 | BLS SOC 2018 详细职业代码 |
| `tier` | 1 \| 2 | 1 = 顶级职业（完整的编辑深度 + 行业修正） |
| `score` | 整数 0-100 | 综合替代风险（分数越高，暴露度越高） |
| `riskLevel` | 枚举 | `低` 0-35 · `中等` 36-50 · `高` 51-75 · `非常高` 76-100 |
| `subscores` | 对象 | 四个已发布的因素，每个 0-100 |
| `rationales` | 对象 | 每个因素的单句已发布理由 |
| `agenticRisk` | 枚举 | 单独的 `agenticExposure` 威胁等级 |
| `tasksAtRisk` / `tasksGrowing` | 字符串数组 | 具体任务列表 |
| `salary`, `salaryRange`, `salarySource`, `salaryTrend` | — | 以 BLS-OES 为锚点的范围，附带命名锚点 |
| `defenseSkills` | 对象数组 | 目前需要发展的三个最高杠杆技能 |
| `insight` | 字符串 | 标题发现 |
| `historicalScores` | 对象 | 季度历史 — 新增职业从其首次发布的季度开始，不会回填 |
| `industryModifiers` | 对象 | 仅限一级职业：按行业划分的调整 |
| `restatement` | 字符串？ | 当季度变动超过 ±8 时出现，附带原因 |
CSV 列是平面的投影；v2026.3 列在 v2026.2
数据集之后追加，因此现有的消费者可以继续使用。在季度审查中，分数在 5 分以内接近某个区间边界时，可能保留其先前的区间（稳定性规则）。
## 方法论
方法论 v2（2026 年第三季度起）已在 [`pipeline/RUBRIC.md`](pipeline/RUBRIC.md) 中完全指定：
因素定义、评分锚点、校准示例、公式、区间滞后、薪资锚点和来源。数据集从每个职业的源文件确定性地重新生成：
```bash
python3 pipeline/score.py # 角色源 -> JSON + CSV + 交叉索引 + 季度报告
python3 pipeline/generate_svgs.py # README 图表
pytest tests/ # 30+ 完整性检查（CI 在每次推送时运行）
```
历史季度（2025 年第一季度 — 2026 年第二季度）以方法论 v1
发布（50/30/20 加权复合，没有自主代理因素），并作为已发布内容保留。季度变动大于 ±8 分时，需要声明重述原因 — 请参见
[季度报告](reports/2026-q3-winners-losers.md)。
## 引用
```
The MeritForge Team (2026). AI Career Threat Index v2026.3.
https://github.com/Jott2121/ai-career-threat-index (DOI: 10.5281/zenodo.21227026)
```
在编辑内容中引用时，请附上此仓库或
[交互式浏览器](https://jott2121.github.io/ai-career-threat-index/) 的链接。
## 贡献
不同意某个分数？子分数和理由是公开的，因此您可以攻击它们：[提出问题](../../issues) 并命名职业、因素和证据。尤其欢迎提供某个行业的更好采用率数据。接受的更正会在下一个季度审查中予以确认并注明出处。
## 关于
由 [Jeff Otterson](https://github.com/Jott2121) / The MeritForge Team 维护。
交互式工具也位于 [meritforgeai.com](https://www.meritforgeai.com/tools/ai-career-threat-index/)。
⭐ **如果这个数据集对您有帮助，请给仓库加星 — 研究人员和记者就是通过加星来发现它的。**
