道富公司
Agentic AI Application Engineer （27graduates）
Agentic AI Application Engineer （27graduates）
发布于 大约 20 小时前普通员工/个人贡献者
杭州市
无经验要求
全职员工
仅现场办公
学历未注明
分布式系统
SQL
RAG
NoSQL
向量数据库
Prompt Engineering
Api Development
AI 估算 · 15k–25k
AI Agent方向技术稀缺，应届生薪资有竞争力，大平台加成
职位详情
关于这个职位
该职位负责设计、开发基于自主代理架构的AI应用，使用LangChain、向量数据库等前沿技术，构建生产级AI系统
适合对LLM和代理架构感兴趣的应届毕业生，加入道富这样的跨国金融科技公司，参与全球领先的AI解决方案开发
最低要求
精通Python编程和后台开发
具备提示工程和大语言模型（LLM）的实际经验
有LangChain或类似代理编排工具的使用经验
扎实理解向量嵌入并具备向量数据库经验
丰富的数据库技术（SQL/NoSQL）和高效查询设计经验
有构建AI驱动应用程序（聊天机器人、副驾驶、代理等）的经验
熟悉API开发和集成（REST/GraphQL）
理解分布式系统和可扩展架构设计
工作职责
设计和开发能够自主推理、规划和执行的代理AI应用
使用LangChain（或类似框架）构建和编排多代理工作流
开发和优化提示工程策略以提升LLM性能和可靠性
集成向量数据库（如Pinecone、FAISS、Milvus）用于语义搜索和检索增强生成（RAG）
实现高效的数据库查询逻辑（SQL/NoSQL）以支持AI工作流和数据驱动决策
使用Python开发后端服务和管道，确保可扩展性、性能和可维护性
设计和实现API及微服务以支持AI应用集成
与数据工程师、机器学习工程师和产品团队合作，交付端到端AI解决方案
确保企业级AI系统在模型治理、可观测性和安全性方面遵循最佳实践
持续评估和采用AI/LLM生态系统中的新兴技术
优先资格
有高级代理框架（如AutoGPT、CrewAI、Semantic Kernel）经验
了解RAG架构和混合搜索系统
有云平台（Azure/AWS）和容器化（Docker/K8s）经验
熟悉ML Ops / AI Ops实践
接触过企业数据治理和安全要求
AI 洞察
优缺点分析
优点
- 接触前沿的AI Agent技术栈（LangChain、RAG、向量数据库），技能积累价值高
- 道富作为跨国金融科技巨头，提供全球化平台和丰富的学习资源
- 面向应届生开放，是进入AI领域的绝佳起点
- AI技术迭代快速，需要持续学习和跟进最新进展
- 适合对AI Agent、大语言模型有浓厚兴趣，具备扎实编程基础和较强自学能力的应届毕业生
缺点 / 挑战
- 可能需要较强的系统设计能力，对刚毕业的学生有一定压力
- 作为金融科技公司，对系统安全性和稳定性有较高要求
角色解读
- 向高级AI应用工程师发展，专门负责复杂AI代理系统的架构设计
- 可转向AI架构师角色，主导AI解决方案的端到端设计
- 或专攻LLM优化和模型治理，成为AI领域的技术专家
- 设计和开发能够自主推理、规划和执行任务的AI代理应用，使用LangChain等框架编排多代理工作流
- 优化大型语言模型的提示策略，提升其性能和可靠性
- 集成向量数据库实现语义搜索和检索增强生成，支持数据驱动的决策
- 构建可扩展的Python后端服务和API，确保AI应用稳定运行
- 精通Python编程和后台开发，有构建AI驱动应用的经验
- 熟悉LangChain或类似代理编排工具，理解向量嵌入和向量数据库
- 掌握提示工程和大语言模型的调优方法
- 具备SQL/NoSQL数据库设计和优化能力，以及API开发经验
申请策略
- 申请时准备一个展示AI Agent能力的个人项目，如自定义聊天机器人
- 了解道富在金融科技领域的AI应用方向，体现对业务的兴趣
- 突出Python相关的项目经验，尤其是后端开发和AI应用构建
- 如果有使用LangChain、RAG或向量数据库的项目，务必详细描述
- 展示在提示工程或LLM调优方面的实践成果
- 提前学习LangChain框架并动手实践一个简单的多代理流程
- 熟悉一种向量数据库（如Milvus）和RAG架构的原理
面试指南
- 结构化回答：从问题定义、方案设计、技术选型到实施步骤逐步展开
- 结合项目经验：用具体项目案例说明你的思路和实现细节
- 请解释LangChain的核心组件和工作原理
- 如何设计一个高效的提示（prompt）来提升LLM回答的准确性？
- 描述一个你使用向量数据库实现RAG的案例
- 如何确保AI代理应用的可扩展性和安全性？
- 假如需要构建一个多代理协作系统，你会如何设计？
- 复习LangChain、RAG、向量数据库的官方文档和热门教程
匹配度报告
71
综合匹配度
大平台、前沿AI Agent技术、应届生友好，但WLB未知。
适合人群
最适合追求技术成长和前沿领域、愿意接受挑战的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展90
工作生活50
使命价值70
薪资福利匹配
75中等
薪资未明确披露，但大公司和前沿技术岗通常有竞争力，薪资信号一般。福利未在JD中提及。
薪资信号未披露（AI估算：15K-25K/月）
成长发展匹配
90较高
技能成长机会极高，使用前沿AI技术栈，但晋升路径未明确提及。
技术前沿前沿/新兴技术
技术栈Python、LangChain、LLM、向量数据库、RAG、Prompt Engineering
业务类型ambiguous
工作生活匹配
50较低
工作地点仅现场办公，地点类型未明确，WLB信号缺失，无法判断加班情况。
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
AI行业高速增长，社会影响力中等，公司规模大但使命信号不突出。
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