博世
AI Development Engineer_ME
AI Development Engineer_ME
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
硕士
软件工程
工业4.0
数据挖掘
机器学习
深度学习
知识图谱
计算机视觉
软件工程
AI Agent
RAG
AI 估算 · 25k–45k
该职位要求硕士学历及2年以上AI项目经验，涉及工业4.0前沿技术，技能门槛高且市场需求大，薪资在苏州具备竞争力。
职位详情
关于这个职位
这是一个AI开发工程师职位，你将负责设计和开发AI解决方案，推动制造业的数字化转型和智能化升级
核心工作包括开发AI算法（如智能体、知识图谱、数据挖掘等），并将AI模型集成到工业应用系统中，以解决实际业务痛点，提升工厂运营效率
最低要求
计算机科学、人工智能、软件工程或相关技术领域的硕士学位
扎实的计算机科学基础（数据结构、算法、操作系统）
年以上AI开发经验（有制造业数字化项目经验者优先）
至少主导过3个完整的AI应用项目
对AI智能体（Agent）有扎实的理解，包括智能体架构、任务规划、多步推理和工具使用编排
熟悉监督学习、自监督学习和强化学习方法
能够设计能够从反馈或历史数据中改进的自适应智能体
具备将大语言模型（LLM）与结构化数据、知识库和基于规则的系统相结合的经验
熟悉RAG（检索增强生成）流程
能够将感知和环境反馈整合到智能体决策中，包括传感器、视觉、日志和时间序列数据
强大的软件工程技能，尤其是Python
能够构建具有错误处理、日志记录和可观测性的健壮、可用于生产的智能体系统
优秀的沟通能力，能够向不同受众（包括非技术利益相关者）解释复杂的AI/智能体概念
具备协作精神，能够与机器人工程师、控制工程师以及IT/平台团队合作，开发可扩展的智能体解决方案
工作职责
技术开发与实施**
在智能体、知识图谱、数据挖掘以及可能的计算机视觉等方向开发AI算法
与前端开发协作，构建全栈交付能力
将AI模型（机器学习/深度学习/智能体/生成式AI）集成到工业应用系统中
技术研究与创新**
跟踪前沿数字技术（边缘计算、数字孪生、生成式AI等）
探索新技术在制造场景中的可行性，交付创新的概念验证（POC）
构建技术知识库，推动团队技术能力的持续改进
优先资格
有制造业数字化项目经验者优先
AI 洞察
优缺点分析
优点
- 平台优势：博世作为跨国工业巨头，能提供丰富的工业场景、海量数据和强大的技术平台，是实践“AI+制造”的理想环境
- 技术前沿性：岗位涉及工业4.0、数字孪生、生成式AI等前沿领域，有利于积累高价值且稀缺的技术栈和经验
- 项目影响力：工作直接面向工厂运营效率和业务价值提升，成果可见度高，容易获得成就感和业务影响力
- 技术复杂性高：需要将前沿AI技术与复杂的工业环境（OT系统）相结合，对技术深度和工程化能力要求极高
- 跨领域协作多：需频繁与不同背景的工程师（机器人、控制）及业务部门沟通，对软技能和业务理解力是考验
- 技术迭代快：需持续跟踪AI和工业数字化领域快速发展的技术，保持持续学习的状态
- 适合拥有扎实AI技术功底、对工业制造场景有浓厚兴趣，并希望在大平台将前沿技术应用于解决实际复杂问题的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术路径：可以从AI开发工程师成长为AI架构师或技术专家，在工业AI、智能体系统等细分领域建立深度专长
- 业务路径：随着对制造业业务理解的加深，可以转向技术管理或产品管理岗位，负责更宏观的数字化战略
- 行业路径：在博世这样的工业巨头积累的“AI+制造”经验，是进入工业互联网、智能制造等高价值领域的宝贵资本
- 你将负责开发AI算法，特别是在智能体、知识图谱和数据挖掘方向，并将这些模型集成到实际的工业应用系统中
- 你需要与前端开发团队协作，构建从算法到应用的全栈交付能力，确保AI解决方案能够落地
- 你的工作还包括跟踪边缘计算、数字孪生等前沿技术，探索其在制造业的可行性，并通过概念验证推动技术创新
- 扎实的AI算法开发能力，特别是对AI智能体架构、任务规划、RAG流程以及机器学习/深度学习方法有深入理解
- 强大的Python软件工程能力，能够构建健壮、可用于生产环境的系统，并具备良好的错误处理和日志记录实践
- 优秀的跨职能沟通与协作能力，能够向非技术人员解释复杂技术，并与机器人、控制、IT等多团队合作
申请策略
- 申请前，建议深入了解博世在工业4.0和智能制造领域的战略布局及已发布的解决方案，在面试中展现你的行业认知和兴趣
- 关注职位描述中“驱动数字化转型”、“构建战略影响力”等关键词，在沟通中体现你超越纯技术实现、关注业务价值的思维
- 重点突出与“AI+工业”相关的项目经验，特别是你主导的、已落地的AI应用项目，量化其带来的效率或价值提升
- 详细描述你在AI智能体、RAG、多模态感知集成等具体技术点的实践经验，而不仅仅是罗列技术名词
- 通过项目经历体现你的全栈思维、工程化能力（如系统健壮性设计）以及与非技术团队的成功协作案例
- 深入了解工业制造的基本流程和痛点（如预测性维护、质量控制、生产优化），这能让你在面试中更好地将技术与业务结合
- 强化对LangChain、AutoGPT等AI智能体开发框架，以及工业数据协议（如OPC UA）的熟悉程度
- 准备1-2个能清晰阐述技术方案、挑战和成果的完整项目案例，用于应对行为面试和技术深度讨论
面试指南
- 使用STAR原则（情境、任务、行动、结果）来结构化回答项目类问题，重点突出你的技术决策、解决问题的过程以及可量化的成果
- 对于技术方案设计问题，可以从“问题定义->数据与输入->模型/算法选型->系统集成->验证与迭代”的逻辑链展开，体现系统性思维
- 在回答沟通协作类问题时，强调你如何将技术语言转化为业务价值语言，并通过原型、可视化等方式降低理解门槛，最终达成共识
- 请详细介绍一个你主导的、最复杂的AI应用项目，你在其中解决了什么核心问题？遇到了哪些挑战？
- 你是如何设计一个AI智能体来处理制造业中的某个特定任务（如异常检测排程）的？请阐述你的架构思路
- 当需要将AI模型集成到现有的、可能很陈旧的工业系统时，你会考虑哪些工程和技术上的挑战？如何应对？
- 请举例说明你如何向工厂经理或产线工人解释一个复杂的AI决策过程，以确保他们信任并采用该系统
- 你如何跟踪和学习AI领域的新技术？最近关注的一项新技术是什么？你认为它可能如何应用于我们的制造场景？
职位点评
Watch Jobs