奔驰
MVA LLM Developer
MVA LLM Developer
发布于 大约 14 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
RAG
GO
LLM
Prompt Engineering
AI Agent
车载AI
函数调用
AI 估算 · 30k–60k
跨国巨头，前沿AI岗位，技术要求高，北京市场薪资竞争力强
职位详情
关于这个职位
作为奔驰的MVA LLM开发者，你将参与设计并开发下一代车载AI Agent架构，负责构建基于LLM的智能对话系统、工具调用和RAG流程
这是一个充满前沿技术挑战的岗位，适合对大型语言模型、Agent系统和车载AI有热情的工程师
最低要求
计算机科学、软件工程、人工智能或相关领域本科及以上学历
年以上LLM应用开发、AI Agent开发或类似AI工程经验
有从零构建AI Agent系统的实践经验，熟悉ReAct、Plan-and-Execute、工具调用/函数调用、Agent记忆管理等设计模式
熟悉至少一种主流Agent编排框架（如LangChain/LangGraph、LlamaIndex、AutoGen、CrewAI、Semantic Kernel或Dify/Coze）
深入理解主流LLM的能力和局限性（如GPT-5、Claude、豆包/千问、DeepSeek、GLM、MiniMax等），有多模型编排和路由经验者优先
精通提示工程：系统提示设计优化、思维链、少样本提示、提示链、结构化输出生成（JSON模式/函数调用）和防护措施
有RAG项目实战经验：熟悉向量数据库（Milvus、Pinecone、Chroma、pgvector等）、嵌入策略、分块策略、混合搜索（语义+关键词）和重排序
有AI系统评估经验：评估指标设计、A/B测试、构建评估流水线（如RAGAS或自定义评估框架）
理解对话记忆架构：短期对话上下文管理和长期用户画像/情节记忆
较强的Python编程能力（AI开发主要语言）
有Go语言开发经验（团队主流技术栈）
熟练使用云技术，尤其是微服务架构、API设计和云原生部署（如Azure）
能够独立编写系统架构方案、接口设计文档和技术选型报告
熟练使用AI辅助编程工具（如Cursor、GitHub Copilot、Claude Code）进行日常开发
强烈的责任心——主动推动跨团队对齐，无需等待指令
自我驱动、团队协作和优秀沟通能力
能够将复杂问题简化并分解为可执行任务
良好的英语沟通能力，德语能力加分
工作职责
设计并开发下一代车载MVA Agent架构，包括：
使用ReAct、Plan-and-Execute、工具调用/函数调用等设计模式构建Agent系统
集成LLM提供方API，实现多模型编排和路由策略
开发对话记忆服务，覆盖短期对话上下文和长期用户画像
设计并实现车辆能力的标准化工具调用接口
执行提示工程、RAG流水线开发和模型评估，持续优化AI质量
进行单元测试、集成测试和AI特定评估（评估数据集、A/B测试），确保交付质量
通过Azure上的CI/CD流水线提交和部署代码
作为Agent架构的技术负责人，推动跨团队技术对齐和方案设计
生成并维护系统架构提案、接口设计文档和技术选型报告，包括：
输出新Agent功能的架构提案并与团队负责人评审
维护API规范和工具调用模式
记录AI系统行为、提示版本控制和整个产品生命周期的评估结果
持续改进AI开发方法和工具链，包括：
评估和采用新的LLM能力、Agent框架和AI编码工具（Cursor、Copilot、Claude Code）
监控生产性能，跟踪AI质量指标，推动上线后优化
紧跟LLM、Agent和车载AI的行业趋势
优先资格
有德语能力者优先
AI 洞察
优缺点分析
优点
- 顶级车企平台，技术视野广阔
- 前沿技术栈（LLM、Agent、RAG），技能提升快
- 项目具有实际落地场景，影响力大
- 较好的薪资福利和职业发展空间
- 技术迭代快，需要持续学习
- 跨团队协作要求高，沟通成本较大
缺点 / 挑战
- 对英语和德语有额外要求，语言门槛较高
- 适合具备LLM和Agent开发经验，喜欢挑战前沿技术，希望在大型跨国企业积累高端项目经验的工程师
角色解读
- 可向AI架构师或技术主管方向发展
- 深耕车载AI领域，成为智能座舱或自动驾驶AI专家
- 横向拓展至通用AI Agent或大模型应用架构师
- 设计和开发车载AI Agent系统，包括对话记忆、工具调用和模型编排
- 集成多种LLM API，实现多模型路由和RAG流水线
- 进行提示工程优化、AI系统评估和性能监控
- 编写技术文档，推动跨团队技术对齐和架构评审
- 精通Python和至少一种Agent框架（如LangChain、AutoGen）
- 深入理解LLM原理、提示工程和RAG技术
- 有AI系统评估和A/B测试经验
- 熟悉云原生部署（Azure）和CI/CD流程
申请策略
- 关注奔驰在智能汽车领域的最新动态，面试时体现对车载AI的热情
- 准备好系统架构设计案例，展示方案设计能力
- 突出AI Agent项目经验，尤其是从零构建系统的经历
- 展示LLM集成、多模型编排和RAG的具体案例
- 强调Python和Go的编码能力，以及云平台（Azure）使用经验
- 如有德语能力或海外经历，务必注明
- 补充Go语言基础，熟悉团队技术栈
- 深入学习车辆域知识，了解车载AI场景
面试指南
- STAR法则：情境-任务-行动-结果，结构化描述项目经验
- 对比分析：列出不同技术方案的优缺点，展示决策能力
- 最佳实践：结合业界前沿（如ReAct、CoT）说明自己的方法
- 请详细描述你从零构建的一个AI Agent系统，包括选型、架构和挑战
- 如何设计一个多模型路由策略？请举例说明
- 你对RAG的理解，如何优化检索质量和生成质量？
- 在Agent系统中如何处理长期记忆和短期记忆？
- 如何评估AI系统的质量？你使用过哪些评估框架？
匹配度报告
72
综合匹配度
顶级车企的前沿AI Agent岗位，技术先进，成长空间大，但WLB和灵活性一般。
适合人群
该职位最适合追求技术成长和前沿项目经验的开发者，对薪资福利和WLB关注度较低的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展95
工作生活40
使命价值75
薪资福利匹配
80较高
奔驰作为大型跨国车企，薪资福利有竞争力，但JD未提及具体福利细节，整体水平较高。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
95较高
该职位涉及LLM、Agent、RAG等前沿技术，鼓励使用AI编码工具，技术的先进性极高，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、RAG、LangChain、Python、Go、Azure
业务类型profit_center
工作生活匹配
40较低
JD未提及远程或弹性办公，也未明确WLB信息，推测为现场办公，且可能涉及跨团队沟通，灵活性一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
75中等
智能汽车和AI结合是高速增长赛道，对改善出行体验有积极意义，但JD未突出社会价值使命。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs