一汽-大众汽车
AI 座舱大模型应用算法工程师1
AI 座舱大模型应用算法工程师1
发布于 6 个月前普通员工/个人贡献者
成都市
中级经验
全职员工
仅现场办公
本科
软件工程
大语言模型
PyTorch
RAG
RLHF
SFT
多Agent系统
AI 估算 · 20k–35k
Agent系统设计与模型调优，需解决车端算力限制问题，技术挑战大，薪资较高。
职位详情
关于这个职位
该职位是AI座舱大模型应用算法工程师，主要负责将复杂的座舱任务拆解并规划给不同的专业Agent协作完成，同时负责大模型的指令微调、模型压缩优化以及协同能力的质量评测
你需要设计多Agent协作策略，优化模型在车端环境下的性能，并构建持续优化的闭环体系
最低要求
国内大学统招本科及以上学历，或已取得教育部留学服务中心认证的“学历学位认证书”的本科及以上学历留学生，计算机、人工智能、电子工程等相关专业
具备多Agent理论与框架：深入理解多Agent系统的原理与设计模式，并有LangGraph（构建复杂工作流）、CrewAI（角色化协作）、AutoGen等框架的实践经验
大模型全栈技术：
基础：精通Transformer架构，掌握Prompt Engineering高级技巧
微调：熟练掌握SFT、LoRA/QLoRA等参数高效微调技术
强化学习：熟悉RLHF、DPO、PPO，了解前沿的Agentic RL
工具调用：精通Function Calling的设计与实现
工程实现与架构能力：
精通Python，熟悉PyTorch/TensorFlow
熟悉向量数据库、知识图谱，能构建RAG系统
具备分布式系统、微服务设计经验，了解Docker/Kubernetes等云原生技术
通用能力
行业经验：有车载、物联网或复杂交互系统项目经验者优先
软技能：具备优秀的逻辑思维、问题拆解、跨团队沟通能力和强烈的技术自驱力
加分项：在AI顶会发表过论文，或参与过国家级AI项目
国内高校毕业生大学英语四级(CET-4 425分)及以上或托福成绩80分及以上、雅思成绩6.0分及以上，海外高校毕业生须达到同等水平，较好的英语或德语读写能力，能够进行日常对话
年龄40周岁及以下
工作职责
系统设计：需要将复杂的座舱任务（如“我冷了，导航去最近的商场”）拆解、规划给不同的专业Agent（如环境控制、导航、信息查询Agent）协作完成，并设计它们之间的协作策略与通信机制，避免冲突
模型“调教”：要让大模型成为合格的座舱“指挥家”，需要精心设计对话、工具调用等高质量数据进行指令微调（SFT），并可能采用Agentic RL来训练其复杂的协同决策能力
高效落地：由于车端算力和网络限制，需对模型进行剪裁、量化、蒸馏等压缩，并优化其在车载芯片上的推理速度与资源占用
质量保证：必须为Agent的协同能力定义可量化的评测体系（如任务完成率、响应时间、用户满意度），并据此形成持续优化的闭环
优先资格
行业经验：有车载、物联网或复杂交互系统项目经验者优先
加分项：在AI顶会发表过论文，或参与过国家级AI项目
AI 洞察
优缺点分析
优点
- 你将接触到汽车智能化最前沿的AI座舱和大模型应用技术，技术栈全面且前沿
- 平台是一汽-大众，能获得大型车企的项目资源和行业影响力
- 项目直接面向量产车，技术落地性强，成果可见度高
- 需要平衡模型性能与车端严苛的算力、功耗和实时性限制
- 智能汽车领域竞争激烈，技术迭代快，需要持续学习和快速适应
缺点 / 挑战
- 工作涉及复杂的多Agent系统和大模型优化，技术难度和挑战性很高
- 该职位适合具备扎实AI和大模型工程基础，对智能汽车行业充满热情，并愿意挑战复杂系统设计与优化难题的技术人才
角色解读
- 在该岗位上，你可以从AI座舱算法专家，成长为负责更复杂智能车联系统架构的技术负责人
- 长期发展可向AI产品技术总监或汽车智能化领域首席科学家方向迈进，主导前沿技术的研发与落地
- 你将负责设计AI座舱中多Agent系统的协作架构，将用户复杂的自然语言指令拆解并分配给不同的专业Agent执行
- 你需要对大模型进行指令微调和强化学习训练，使其能有效指挥各Agent协同工作
- 同时，你需对模型进行压缩和优化，以适应车端的计算和网络限制，并建立量化评测体系来持续优化系统性能
- 你需要深入理解多Agent系统原理，并具备LangGraph、CrewAI等框架的实践经验
- 在大模型技术栈上，需精通Transformer架构、Prompt Engineering、SFT/LoRA微调、RLHF/DPO强化学习以及Function Calling
- 工程上要求精通Python和PyTorch/TensorFlow，熟悉RAG系统构建及Docker/Kubernetes等云原生技术
申请策略
- 申请前建议深入了解一汽-大众在智能化、尤其是座舱领域的战略布局和已发布的产品，思考你的技术如何与之结合
- 准备好用具体案例阐述你如何应对复杂系统设计和资源受限环境下的工程挑战
- 重点突出你在多Agent系统、大模型微调（SFT/RLHF）或模型压缩优化方面的项目经验，特别是与车载、物联网相关的经历
- 详细描述你使用LangGraph、CrewAI、PyTorch等具体技术解决实际问题的案例和成果
- 展示你优秀的逻辑思维、问题拆解能力以及技术自驱力，如有AI顶会论文或国家级项目参与经历务必标明
- 如果对多Agent框架（如LangGraph）实践不足，可提前通过开源项目或模拟场景进行学习和实操
- 深化对车载芯片推理优化、模型量化蒸馏等边缘计算技术的理解
- 加强对智能座舱或汽车行业背景知识、用户场景及技术挑战的了解
面试指南
- 回答技术问题时，采用“情境-任务-行动-结果”（STAR）原则，清晰阐述项目背景、你的角色、采取的具体技术行动以及可量化的成果
- 对于方案设计类问题，先明确目标和约束条件，再系统性地提出你的技术选型、架构设计和评估方法
- 请描述一个你设计或参与过的多Agent系统项目，并说明你是如何解决Agent间协作与冲突的？
- 请详细说明你在大模型指令微调（SFT）或强化学习（如RLHF）方面的实践经验，遇到了哪些挑战？
- 针对车端算力限制，你会采取哪些具体的模型压缩和推理优化策略？
- 如何为一个像座舱任务助手这样的多Agent系统设计可量化的评测指标？
- 请分享一个你遇到的最复杂的技术问题，你是如何拆解并最终解决的？
- 深入复习多Agent系统、大模型微调与压缩、Python/PyTorch工程实现等核心技术点，并准备好相关的项目代码或文档
职位点评
Watch Jobs