AI工程师（化工行业）

1. 智能知识库建设：负责企业级 RAG 知识库的架构设计与开发，基于 Hybrid RAG 体系完成文档解析、向量化、检索、重排序及元数据过滤全链路建设，沉淀研发、工艺、安全等领域的核心知识资产。 2. 大模型应用开发：基于 DeepSeek 等主流大模型，开发智能问答、技术资料检索、报告自动生成等业务应用；通过提示工程与 PEFT 低成本微调（LoRA / P-Tuning / Prefix-Tuning）持续优化领域应用效果。 3. 智能体（Agent）研发：基于 LangChain / LangGraph 搭建 Multi-Agent 工作流，实现意图路由、任务编排、工具调用（Tool Calling）、状态管理与异常重试机制，支撑化工业务场景的复杂自动化任务。 4. 数据智能分析：结合大数据技术栈（Hive / SparkSQL / Flink / DataX / DolphinScheduler），完成生产、质量、能耗等数据的 ETL 处理与建模分析，支持运营决策与预测性维护。 5. 平台建设与运维：负责 AI 服务的设计、部署、效果评估与持续优化，建立模型版本管理与监控机制，保障系统稳定性与可用性。 6. 技术预研：跟踪大模型、Agent、RAG 等领域前沿进展，结合化工业务场景进行技术选型与试点验证，输出可行性方案。

（一）必备条件 1. 本科及以上学历，计算机、人工智能、数据科学等相关专业，1-3 年 AI 相关工作经验（优秀应届生可放宽）； 2. 扎实的 Python 编程能力，熟悉常用开发框架、Git 与 CI/CD 等工程化规范； 3. 熟悉 RAG 知识库构建全流程：掌握 Hybrid RAG 架构，熟练使用 Milvus 等向量数据库、BGE-M3 等 Embedding 模型及 BGE-Reranker 等重排序模型； 4. 熟悉 Agent 智能体开发：掌握 LangChain / LangGraph，具备 Multi-Agent 工作流、任务编排、意图路由、Tool Calling、状态管理及异常重试机制的实践经验； 5. 熟悉 MCP 协议与工具调用机制，理解短期记忆、长期记忆及增量摘要等记忆机制的设计与实现； 6. 深入理解大模型底层原理：包括 Transformer / BERT 架构，RoPE 旋转位置编码、多头注意力、MoE 混合专家模型、多 Token 预测（MTP）等核心技术，了解 DeepSeek（MoE / MLA / MTP）等主流模型的架构特点； 7. 了解 PEFT 低成本微调策略（P-Tuning / Prefix-Tuning / LoRA）及其适用场景； 8. 具备机器学习基础，理解线性回归、逻辑回归、Softmax 回归等经典算法原理。 （二）加分项 1. 有化工、制造、能源等行业的 AI 项目落地经验，对工艺优化、安全预警、质量管理等业务场景有理解； 2. 具备模型部署与推理优化经验（如 vLLM、TensorRT 等）； 3. 熟练使用 PyTorch，有模型训练或微调的实战经历； 4. 有知识库系统、智能助手或 Agent 产品从 0 到 1 的落地经验。