商汤
大装置-大模型算法应用工程师
大装置-大模型算法应用工程师
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Prompt工程
Rag
向量检索
大模型应用
系统设计
Lazyllm
值不值得投
74综合评分
综合评分 74
前沿AI应用技术岗、技术成长性强、上市公司平台，但工作模式与WLB信息不明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
与人工智能中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
76 个在招 · 其中人工智能 9 个
市场机会
选择面较广
北京 · 人工智能 · 约 490 个在招
职位详情
关于这个职位
这是商汤科技大装置团队的大模型算法应用工程师岗位，核心负责基于自研的LazyLLM框架进行RAG（检索增强生成）系统的研发与优化
你需要深入文档解析、检索算法、问答链路设计及系统自进化等关键模块，持续提升大模型在多场景下的问答准确率与工程落地能力
最低要求
计算机、软件工程或相关专业本科及以上学历，2年以上后端/算法工程经验，熟悉Python，有扎实的工程基础
深入理解RAG技术栈，包括文档解析、向量检索、Reranker、Prompt工程等核心原理，有实际项目落地经验
有使用AI编程工具（Cursor、Copilot、Claude等）进行项目开发的习惯，能借助大模型显著提升开发效率，独立完成从方案设计到代码实现的完整链路
具备较强的系统设计能力，能借助大模型独立设计状态机、任务调度、异步回调等工程模块，理解分布式系统的基本原则
有强烈的问题驱动意识，面对Bad Case能主动定位根因，不满足于“能跑通”，持续追求效果和性能的极致
抗压能力强，适应快节奏迭代，能在需求不完全明确的情况下推动事情落地
工作职责
基于 LazyLLM 框架，负责 LazyRAG 系统的核心模块研发，包括文档解析服务、检索算法优化、问答链路设计及自进化机制的工程实现
深入参与 RAG 算法迭代：包括切片策略、多粒度索引、Embedding/Reranker 模型升级、Agentic RAG 编排等方向，持续提升系统在多场景下的问答准确率
负责系统可观测性与评测体系建设，包括自动化评测集构建、Bad Case 归因分析、A/B Test 机制设计与落地，推动算法能力的数据驱动迭代
参与记忆管理与自进化模块的研发，包括词表/规范/技能的自动提取、注入与版本管理，实现系统从用户反馈中持续学习的能力
跟踪业界前沿技术（RAG、Agent、多模态检索、LLM 推理优化等），将新技术快速验证并落地到产品中
优先资格
加分项 1. 有基于LangChain、RAGFlow、LlamaIndex等主流框架进行项目落地的经验，或有LazyLLM使用经验
熟悉向量数据库（Milvus、Chroma等）、文档解析工具（MinerU、PaddleOCR等）的使用与调优
有多模态理解（图文混合检索、OCR、表格解析）相关经验
对Agent编排（ReAct、DAG推理、工具调用）有深入理解，有Agentic RAG落地经验
爱折腾，有个人AI项目或开源贡献，能展示自己用AI工具解决实际问题的案例
AI 洞察
优缺点分析
优点
- 技术栈前沿：直接参与RAG、Agent等大模型应用核心技术的研发，能接触行业最新动态
- 平台与项目：在商汤这样的AI头部公司，有机会参与大规模、有影响力的AI应用项目
- 工程深度：工作不仅涉及算法，还强调工程实现、系统设计和可观测性，能锻炼全面的技术能力
缺点 / 挑战
- 技术挑战高：需要持续跟踪并快速应用前沿技术，对个人学习能力和技术敏感度要求高
- 快节奏与问题驱动：职位要求适应快节奏迭代，并能从复杂的Bad Case中主动定位根因，工作压力较大
- 适合有扎实工程背景、对RAG和大模型应用有浓厚兴趣、追求技术深度且能接受快节奏挑战的工程师
角色解读
- 技术深耕路径：成为RAG与大模型应用领域的技术专家或架构师
- 管理路径：在项目规模扩大后，可发展为技术团队负责人
- 前沿探索路径：持续跟踪Agent、多模态等前沿方向，主导下一代AI应用系统的研发
- 负责基于自研框架（LazyLLM）进行RAG系统的核心模块开发与迭代，提升大模型问答的准确性
- 构建系统的可观测性与评测体系，通过A/B Test和Bad Case分析驱动算法持续优化
- 跟踪并应用RAG、Agent等前沿技术，将新技术快速落地到实际产品中
- 深入理解RAG技术栈（文档解析、向量检索、Reranker等）并有实际项目经验
- 扎实的Python工程能力与系统设计能力，能独立实现复杂模块并理解分布式系统
- 熟练使用AI编程工具（如Cursor、Copilot）以提升开发效率
申请策略
- 申请前，尝试理解商汤“大装置”的定位，思考你的技能如何与团队目标结合
- 在简历或求职信中，体现你对“自进化”、“数据驱动迭代”等职位关键词的理解和实践
- 突出与RAG相关的项目经验，详细描述你在文档解析、检索优化、系统设计等方面的具体贡献和成果
- 强调你的工程能力和系统设计能力，举例说明你如何独立设计并实现复杂模块
- 展示你使用AI编程工具（如Cursor、Copilot）提升效率的实例或个人项目
- 深入研究LazyLLM框架或类似RAG框架的原理与实践
- 学习并实践Agentic RAG、多模态检索等加分项中的高级主题
- 梳理并准备一个体现你问题驱动意识和解决复杂Bad Case的完整案例
面试指南
- 对于项目与技术问题，采用STAR法则（情境、任务、行动、结果）结构化回答，突出你的技术决策和量化成果
- 对于系统设计问题，从目标、核心模块、数据流、关键技术选型（如向量库、评测指标）等维度展开
- 对于工具使用问题，结合具体场景说明工具如何解决了你的特定痛点，并强调效率提升
- 请描述一个你参与过的RAG项目，你在其中负责哪个部分，遇到了什么技术难点，如何解决的？
- 如何设计一个系统来持续优化RAG问答的效果？你会建立哪些评测指标和流程？
- 你使用过哪些AI编程工具？它们在你的开发工作中具体起到了什么作用？
- 如果线上系统出现一个Bad Case（例如回答不准确），你的排查和解决思路是怎样的？
- 你对Agentic RAG或者更复杂的AI Agent系统有什么理解？
职位点评
薪资福利70
成长发展88
工作生活55
使命价值82
薪资福利
70中等
作为上市公司核心技术研发岗，薪资福利应有市场竞争力，但JD未披露具体薪资和福利细节。
薪资信号未披露（AI估算：2.5–4.5万/月）
成长发展
88较高
职位聚焦RAG、Agent等前沿AI应用技术，要求深度参与系统迭代和自进化机制，技术成长空间大。
技术前沿前沿/新兴技术
技术栈LazyLLM、RAG、Agent、向量检索、Embedding、Reranker、Prompt工程、A/B Test
业务类型ambiguous
工作生活
55较低
JD未明确工作模式和办公地点细节，且提及“快节奏迭代”，WLB可能一般，需进一步确认。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
82较高
AI是当前高速增长的科技赛道，该职位致力于提升大模型应用能力，具有较强的技术创新性和行业影响力。
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
商汤 的其他在招职位
相似职位推荐
Watch Jobs