博世
AI应用开发工程师_BCI
AI应用开发工程师_BCI
发布于 5 个月前普通员工/个人贡献者
苏州市
中级经验
全职员工
仅现场办公
学历未注明
软件工程
Ai Agents
Llm Integration
RAG
Software Engineering
AI 估算 · 25k–40k
该职位要求扎实的AI工程与后端开发经验，涉及前沿的智能体架构与知识图谱技术，技能门槛高且市场稀缺，薪资竞争力强。
职位详情
关于这个职位
该职位是博世公司的AI应用开发工程师，专注于构建生产级的智能体（Agent）AI系统
你将负责设计和实现用于决策支持、自动化和持续改进的AI智能体架构，并整合知识图谱等知识驱动方法，开发可靠、可扩展的企业级AI解决方案
最低要求
核心技术能力：- 扎实的后端软件开发经验（例如 C#, .NET, Java, Python）
强大的软件工程基础：模块化设计、API、测试、可维护性
拥有交付生产系统（而不仅仅是概念验证或演示）的成熟经验
拥有以可控、可靠的方式将AI/LLM能力集成到应用程序中的经验
AI与智能体导向工程：- 理解超越模型使用的AI系统工程（上下文管理、版本控制、故障处理、可观测性）
在AI智能体、工作流或自动化系统方面有经验或浓厚兴趣
能够结合确定性逻辑和AI推理来构建可解释的解决方案
熟悉知识驱动方法（例如知识图谱、语义建模、RAG）是重要的加分项
系统与集成技能：- 拥有与企业系统和API（例如MES, WMS, ERP, 数据平台）集成的经验
理解可扩展的、面向服务的或事件驱动的架构者优先
职业素养：- 强烈的责任感和质量意识，能够承担端到端的责任
好奇心强、适应性强，并有动力与智能体AI和智能系统共同成长
能够在跨职能和国际团队中有效工作
沟通清晰，协作富有建设性
工作职责
构建生产级智能体AI系统：- 为决策支持、自动化和持续改进等用例设计和实施AI智能体架构
开发单智能体和多智能体工作流，包括任务分解、工具使用和智能体协调
确保智能体行为在生产环境中是可控、可观测和可解释的
知识驱动的AI与推理：- 集成知识图谱以编码领域概念、关系、约束和最佳实践
实现基于知识的推理，以补充基于LLM的推理（混合AI）
与领域专家合作，将隐性的业务知识转化为结构化、可重用的模型
AI平台与系统工程：- 为内部平台（如Agent Builder, Agent Hub和AI赋能的工作流系统）做出贡献
为智能体、工具、工作流和API设计模块化、可重用的组件
确保解决方案满足企业级的可靠性、安全性、可扩展性和可维护性标准
工程卓越与生命周期所有权：- 端到端地负责功能：设计、实施、测试、部署和运维
应用软件工程最佳实践：版本控制、测试、日志记录、追踪和性能监控
支持从概念验证 → 试点 → 多站点推广的长期演进
协作与赋能：- 与跨地区的产品经理、领域专家和其他工程师紧密合作
通过分享AI工程、智能体设计和知识建模方面的最佳实践来支持内部赋能
指导初级工程师，并帮助制定团队级的工程标准
优先资格
熟悉知识驱动方法（例如知识图谱、语义建模、RAG）是重要的加分项
理解可扩展的、面向服务的或事件驱动的架构者优先
AI 洞察
优缺点分析
优点
- 接触并实践AI领域最前沿的智能体（Agent）架构与知识图谱技术，技术栈极具前瞻性
- 在博世这样的跨国巨头工作，能参与复杂、大规模的工业级AI项目，平台和资源优势明显
- 职位强调‘从PoC到多站点推广’的全周期 ownership，能获得完整的项目经验和强烈的成就感
- 需要同时精通传统后端工程与前沿AI技术，并实现两者的可靠结合，技术复合要求高、学习曲线陡峭
- 适合拥有扎实后端功底、对AI工程化有浓厚兴趣，并希望在前沿的智能体AI领域深入发展的工程师
缺点 / 挑战
- 工作涉及与跨地区、跨职能团队（产品、领域专家）协作，对沟通协调和业务理解能力要求较高
- 负责生产级AI系统，对系统的可靠性、可解释性和安全性负有直接责任，工作压力和严谨性要求大
角色解读
- 技术深度上，可从AI应用开发者成长为AI系统架构师或领域专家，专精于智能体或知识图谱
- 职业广度上，可向AI产品经理、技术负责人（TL）或跨区域项目协调者等复合型角色发展
- 行业前景上，智能体AI是前沿方向，在制造业、企业服务等领域的深入应用将带来广阔发展空间
- 设计和开发用于自动化与决策支持的AI智能体系统，包括单智能体和多智能体工作流
- 将知识图谱等结构化知识整合到AI系统中，构建可解释、可靠的混合智能解决方案
- 参与构建和维护企业内部的AI平台与工具，确保系统满足高标准的可靠性、安全性和可扩展性
- 负责AI功能从设计、开发到部署运维的全生命周期管理，并与跨职能团队紧密协作
- 扎实的后端开发能力（如Python, Java, .NET）和软件工程基础（模块化、API、测试）
- AI系统工程经验，包括智能体架构、上下文管理、系统可观测性以及LLM的可靠集成
- 知识驱动AI的相关知识，如知识图谱、语义建模或RAG，并能将业务逻辑转化为AI模型
- 与企业级系统（如ERP, MES）集成的经验，以及对可扩展架构（如微服务、事件驱动）的理解
申请策略
- 申请前，可以研究博世在工业4.0、智能制造领域的AI应用案例，以便在面试中展现你对公司业务的理解
- 仔细阅读职位描述中关于‘协作’、‘赋能’和‘工程标准’的部分，在申请材料中体现你的团队合作和 mentorship 能力
- 重点展示有将AI/LLM能力成功集成到生产系统中的完整项目经验，突出你在可靠性、可观测性方面的贡献
- 详细描述你参与过的后端系统开发项目，特别是涉及模块化设计、API开发和企业系统集成的部分
- 如果有知识图谱、RAG或智能体相关项目经验，务必单独列出并说明你的具体角色和技术实现细节
- 如果对知识图谱或RAG不熟悉，可以提前学习相关概念，并通过一个小型项目（如用Neo4j构建简单图谱）来实践
- 复习软件工程和系统设计的基础知识，特别是模块化、API设计、测试策略以及微服务/事件驱动架构
- 了解制造业或工业领域的常见业务流程和系统（如MES, ERP），这有助于你理解业务背景和集成需求
面试指南
- 使用STAR法则（情境、任务、行动、结果）来结构化你的项目经验回答，重点突出你的个人贡献和技术决策
- 在回答技术设计问题时，从问题定义、架构选型、模块设计、潜在风险及缓解措施等维度进行系统性阐述
- 对于涉及权衡（如灵活性与可靠性）的问题，可以展示你基于业务目标和技术约束进行理性分析和决策的过程
- 请描述一个你从头到尾负责的、集成了AI功能的生产系统项目
- 你遇到了哪些挑战，如何确保其可靠性？
- 你是如何设计一个AI智能体工作流的？请举例说明任务分解、工具调用或智能体间协调的具体实现
- 请谈谈你对知识图谱在AI系统中作用的理解
- 你有过相关的实践经验吗？
职位点评
Watch Jobs