小马智行
大语言模型应用工程师
大语言模型应用工程师
发布于 大约 2 个月前普通员工/个人贡献者
北京市
初级经验
全职员工
仅现场办公
本科
软件工程
PyTorch
RAG
TensorFlow
LLM
向量数据库
Prompt Engineering
LoRA
智能体
AI 估算 · 25k–45k
大模型应用工程师属于高需求技术岗位，北京薪资较高，1年以上经验对应中高级水平，结合行业平均估算。
职位详情
关于这个职位
该职位负责大语言模型的应用开发与落地，包括模型微调、提示工程、推理加速以及基于LLM的产品研发（如智能问答、知识库等）
需要至少1年大模型开发经验，熟悉Python、PyTorch/TensorFlow、RAG、LangChain等技术栈
适合热爱AI技术、有持续学习热情的工程师
最低要求
学历与经验 - 计算机科学、人工智能、软件工程等相关专业本科及以上学历 - 至少 1 年以上大模型相关应用开发经验，有实际项目落地或开源贡献优先 2. 技术能力 - 熟练使用 Python，具备良好的代码风格与开发习惯
- 熟悉主流深度学习框架（如 PyTorch/TensorFlow），理解 Transformer 等基础模型结构
- 熟悉大模型的微调手段（如 SFT、LoRA）及部署流程，了解模型量化、压缩和性能优化方法
- 掌握常见大模型应用开发技术，包括知识增强生成（RAG）、向量数据库（如 Faiss、Milvus 等）、LangChain 或 LlamaIndex 工具链
- 了解智能体框架（如 AutoGen、LangGraph、CrewAI）和基础多智能体通信协议（如 MCP、A2A）
- 能进行 Prompt 工程优化，具备模型效果自动评估经验 3. 软性要求 - 热爱 AI 与自然语言处理，有持续学习和技术钻研的热情 - 具备较强的沟通协作能力，能与产品、业务和算法团队高效协同，将技术方案清晰传达转化为落地解决方案
工作职责
负责大语言模型（LLM）的应用开发、性能优化与落地实施，根据具体业务场景设计并实施高效、可落地的 AI 解决方案
参与模型的微调（Fine-tuning）、提示工程（Prompt Engineering）、推理加速、评估监控及上线部署，提升模型在垂直领域中的表现力与稳定性
开发基于大语言模型的创新产品研发，如智能问答系统、企业知识库、智能检索系统等落地应用
跟进并研究模型技术前沿（如 LangChain、RAG、LoRA、MCP 等），与技术团队协同将原型技术转化为可规模化部署的应用
优先资格
加分项 - 有开源大模型（如 LLaMA、ChatGLM、Baichuan 等）调研或使用经验 - 有实际 AIGC 产品开发经验，如智能问答、代码生成、AI 辅助办公等 - 具备向量搜索系统、Prompt 评估、自动化测试落地经验者优先
AI 洞察
优缺点分析
优点
- 大模型是当前最热门的技术方向，职位技术含量高，能积累前沿AI技能，提升个人市场竞争力
- 小马智行是自动驾驶领域的知名公司，平台资源丰富，有机会参与高影响力的AI项目
- 职位涉及从研发到落地的全流程，能锻炼工程化能力和产品思维，职业发展空间大
- 适合热爱AI技术、有较强自驱力和学习能力，希望在LLM应用领域深耕的工程师
缺点 / 挑战
- 大模型技术迭代快，需要持续学习新技术，保持技术敏感度，工作强度可能较高
- 应用落地过程中可能遇到模型效果不稳定、性能瓶颈等挑战，需要较强的调试和优化能力
- 作为技术岗，需要与多团队协作，沟通成本较高，对软技能有一定要求
角色解读
- 技术深耕：从应用开发向模型训练、算法研究方向发展，成为大模型专家或算法科学家
- 架构转型：积累系统设计经验，向AI架构师或技术负责人发展，主导大型AI系统的架构设计
- 管理路径：随着经验增长，可转向技术管理岗位，带领团队负责AI产品的研发与落地
- 负责大语言模型的应用开发，包括模型微调、提示工程和推理加速，提升模型在特定业务场景中的表现
- 开发基于LLM的创新产品，如智能问答系统、企业知识库和智能检索系统，推动AI技术落地
- 跟踪前沿技术（如LangChain、RAG、MCP等），将原型技术转化为可规模化部署的应用
- 与产品、业务和算法团队协作，确保技术方案清晰传达并高效落地
- 精通Python编程，具备良好的代码风格和开发习惯
- 熟悉深度学习框架（PyTorch/TensorFlow），理解Transformer模型结构
- 掌握大模型微调（SFT、LoRA）、部署、量化压缩及性能优化方法
- 熟悉RAG、向量数据库（Faiss、Milvus）、LangChain/LlamaIndex工具链，了解智能体框架（AutoGen、LangGraph）
申请策略
- 了解小马智行的业务方向（自动驾驶），思考大模型如何与自动驾驶结合，在面试中展现业务理解
- 准备一个完整的项目案例，从问题定义、技术选型到落地效果，展示工程化思维
- 突出大模型相关项目经验，尤其是模型微调、RAG、Prompt工程等实际落地案例，展示技术深度
- 强调Python编程能力和深度学习框架使用经验，可附上GitHub链接或开源贡献证明
- 展示对前沿技术的关注，如LangChain、AutoGen等工具链的使用经验，体现技术广度
- 如有AIGC产品开发经验或向量搜索系统经验，务必重点突出
- 系统学习LangChain、LlamaIndex等工具链，动手搭建一个RAG应用作为项目经验
- 熟悉至少一种智能体框架（如AutoGen、LangGraph），了解多智能体通信协议（MCP、A2A）
面试指南
- STAR法则：描述项目背景、任务、行动和结果，突出技术难点和你的贡献
- 对比分析：当被问及技术选型时，先阐述原理，再对比不同方案的优缺点，最后给出选择理由
- 分点回答：对于开放性问题，先列出关键点，再逐一展开，体现逻辑清晰
- 请描述一个你参与的大模型应用项目，包括技术选型、遇到的挑战和解决方案
- 解释RAG的工作原理，并说明如何优化检索质量？
- LoRA微调的原理是什么？与全参数微调相比有哪些优缺点？
- 如何评估大模型在垂直领域的效果？你会设计哪些评估指标？
- 你了解哪些智能体框架？请比较AutoGen和LangGraph的异同
匹配度报告
66
综合匹配度
前沿大模型技术岗，高成长性，薪资可观，但WLB一般。
适合人群
最适合追求技术成长和前沿领域探索的求职者，对工作生活平衡要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展90
工作生活40
使命价值70
薪资福利匹配
65中等
薪资水平较高，但JD未明确福利，且未提及薪资范围，补偿性动机满足程度中等。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
职位涉及前沿大模型技术，技能成长空间大，且JD明确要求跟踪前沿技术，发展性动机满足程度高。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、LLM、RAG、LangChain、LoRA、Prompt Engineering、向量数据库、智能体
业务类型ambiguous
工作生活匹配
40较低
JD未提及远程或弹性工作，地点为北京全职，工作模式为仅现场办公，WLB信号缺失，生活化动机满足程度低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
大模型行业属于高速增长赛道，但JD未提及社会价值或使命感，意义感动机满足程度中等偏上。
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