AI应用高级工程师

岗位职责 1、需求侧：与业务方/客户直接对接，把口语化需求拆解为可落地的技术方案，输出方案文档与工作量评估；对不合理的需求给出替代方案并推动共识。 2. 架构与选型：负责 AI 应用的整体架构设计，包括模型选型（开源/商用、参数规模、是否私有化）、RAG 与 Agent 的取舍、推理部署方式（云 API / 自建 vLLM / 混合），并给出成本测算。 3、核心开发：主导 RAG 知识库系统建设（文档解析、切块策略、Embedding 选型、混合检索、重排序、引用溯源），以及 Agent / Workflow 的编排与工具调用（Function Calling、MCP）开发。 4. 工程化交付：完成 API 服务化（FastAPI 等）、与既有业务系统（ERP/OA/CRM/工单/IM）的集成对接、Docker 化部署与灰度发布；保障线上稳定性、并发与响应时延达标。 5. 效果评估与迭代：建立可量化的评估体系（评估集、打分标准、A/B 或灰度对比），用数据判断"效果变好还是变坏"，而不是凭主观感觉调 Prompt。 6. 成本与合规：负责 token 成本、GPU 资源、调用量的治理；处理数据脱敏、权限隔离、私有化与合规要求。 7. 团队赋能：沉淀可复用的组件、模板与最佳实践；带 1-2 名初级工程师完成任务拆解与代码评审；组织内部技术分享与前沿跟踪。

1、学历专业：本科及以上，计算机、软件工程、人工智能、数学等相关专业。 2、经验：3 年以上研发经验，其中 1 年以上大模型/LLM 应用的实际落地经验，且至少 1 个完整项目上线并交付使用（非 Demo、非纯内部试验）。 3、编程能力：精通 Python，具备良好的工程素养（模块化、日志、异常处理、测试、Git 协作）；熟悉 FastAPI 或同类 Web 框架；掌握至少一种数据库与缓存。 4、RAG 全链路：能独立设计并调优 RAG 系统——文档解析与切块、Embedding 与向量库（Milvus / pgvector / Qdrant / Chroma 任一）、召回与重排、幻觉抑制、引用溯源；有实际处理过"答不准"问题的排查经验。 5、Agent / 工程化：熟练使用至少一种主流框架（LangChain / LangGraph / LlamaIndex / AutoGen / Dify / Coze 等）并具备二次开发能力；理解 Function Calling / Tool Use / MCP 的工作机制与失效场景。 6、Prompt 工程：具备体系化的 Prompt 设计与调试能力（系统提示分层、Few-shot、CoT、ReAct、结构化输出约束），能在无评估集时快速自建评估方法。 7、 部署与运维：熟悉 Docker，了解至少一种推理部署方案（vLLM / TensorRT-LLM / Ollama / SGLang 或云厂商托管服务）；能定位线上性能问题的瓶颈环节。 8、业务沟通：能独立主持需求会议，向非技术方讲清方案与风险，能在业务压力下守住技术底线并给出替代路径。 9、成本意识：能算清楚一个方案的钱——单次调用成本、并发下的资源需求、以及相对人工的投入产出比。