中科曙光
AI Agent工程师 / LLM应用工程师（天津）(J13616)
AI Agent工程师 / LLM应用工程师（天津）(J13616)
发布于 6 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
Ai Agent
Llm
Prompt Engineering
Rag
模型微调
值不值得投
72综合评分
综合评分 72
前沿AI技术岗，技术成长空间大，薪资尚可，但WLB和具体福利需进一步确认。
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
2万
比人工智能中位数低
发布情况
新岗位 · 今天发布
市场机会
选择不多
天津 · 人工智能 · 6 个在招
职位详情
关于这个职位
该职位是中科曙光在天津招聘的AI Agent工程师，主要负责基于大语言模型（LLM）的智能体系统开发与落地应用
核心工作包括构建RAG知识库、设计多Agent协作流程、优化Prompt及模型微调，旨在打造能实际解决企业问题的AI Agent产品
最低要求
负责基于大模型（LLM）的 AI Agent 系统开发与应用落地
设计和实现RAG（检索增强生成）架构，构建企业知识库
开发和优化智能体工作流、多Agent协作、工具调用能力
进行Prompt Engineering、Agent策略优化与效果提升
参与模型训练或微调（LoRA / SFT）及推理优化
建立Agent评估体系，提升回答准确率和稳定性
熟练掌握Python 或 Golang，具备良好的工程能力
熟悉LLM 应用开发与 AI Agent 架构
熟悉RAG 技术体系，有知识库构建经验
熟悉至少一种 Agent开发框架（LangChain / LlamaIndex / AutoGen / LangGraph 等）
熟悉向量数据库和检索系统（Milvus / FAISS / Qdrant 等）
有模型微调、Prompt Engineering 或 Agent评估经验优先
工作职责
负责基于大模型（LLM）的 AI Agent 系统开发与应用落地
设计和实现RAG（检索增强生成）架构，构建企业知识库
开发和优化智能体工作流、多Agent协作、工具调用能力
进行Prompt Engineering、Agent策略优化与效果提升
参与模型训练或微调（LoRA / SFT）及推理优化
建立Agent评估体系，提升回答准确率和稳定性
优先资格
加分项
有AI Agent平台或多Agent系统开发经验
熟悉OpenClaw、Function Calling、Tool Use
有LLM产品落地或企业知识库项目经验
熟悉 Docker / Kubernetes / AI模型部署
AI 洞察
优缺点分析
优点
- 直面LLM和AI Agent这一最前沿的技术领域，能快速积累稀缺的落地经验
- 中科曙光作为国内计算领域的头部企业，能提供稳定且有行业影响力的项目平台
- 职责涵盖从架构设计、开发到优化的全链路，技术栈全面，能锻炼系统性解决问题的能力
- 岗位涉及企业知识库等B端场景，对行业认知和综合能力提升有帮助
- AI Agent技术尚处快速发展期，技术框架和最佳实践变化快，需要持续学习
- 适合对大语言模型和智能体技术有浓厚兴趣，具备扎实工程功底，并希望将前沿AI技术应用于解决实际复杂问题的中级开发者
缺点 / 挑战
- 从技术开发到应用落地需要与产品、业务多方协调，对工程化和产品化能力有较高要求
- 评估体系的建立和优化是一个复杂课题，对数据思维和科学方法有挑战
角色解读
- 技术专家路径：深耕AI Agent架构、多模态模型或特定领域的Agent解决方案，成为技术负责人
- 架构师路径：从单点应用转向设计大规模、可复用的AI Agent平台或中间件
- 产品化路径：结合业务理解，负责AI Agent产品从0到1的规划和落地，向AI产品经理或技术管理者发展
- 设计和开发基于大语言模型的智能体系统，让AI能够理解复杂指令并执行多步任务
- 构建和优化企业级知识库，通过RAG技术让AI能准确检索和引用内部信息
- 开发多智能体协作框架，设计工具调用机制，提升AI系统的实际解决问题能力
- 持续优化Prompt策略，调整模型微调方法，并建立评估体系来监控和提升系统表现
- 扎实的Python或Golang工程开发能力，能够编写高质量、可维护的代码
- 深入理解大语言模型（LLM）原理，熟悉主流的Agent开发框架（如LangChain）和RAG技术栈
- 掌握向量数据库（如Milvus）的使用，并具备Prompt Engineering和模型微调（LoRA/SFT）的实践经验
- 具备系统思维和评估能力，能够设计实验来量化并提升AI系统的准确性和稳定性
申请策略
- 面试前，可以研究中科曙光在AI或计算领域的公开资料，了解其技术方向和可能的业务场景
- 准备好一个你认为设计得最优雅或解决最棘手问题的AI Agent项目案例，能够清晰地阐述其架构和挑战
- 展现出你对AI技术落地的热情和思考，而不仅仅是实现功能
- 突出任何与LLM、RAG、Agent框架（如LangChain）相关的项目经验，详细描述技术选型、架构设计和实现效果
- 展示在Python/Golang工程方面的项目成果，如高性能服务开发、复杂数据处理等
- 如果有Prompt Engineering、模型微调或相关论文/竞赛经历，应单独列出
- 强调解决复杂问题的系统性思维，例如如何设计评估指标、如何优化模型表现等
- 深入学习1-2个主流Agent框架（如LangChain或LlamaIndex），并完成一个端到端的小项目
面试指南
- 使用STAR法则（Situation, Task, Action, Result）来组织项目经历，重点突出你的技术决策和量化结果
- 对于系统设计问题，先明确核心目标和约束，再分模块阐述设计思路，最后讨论可能的优化和演进方向
- 对于评估类问题，结合准确性、相关性、幻觉率、延迟、成本等多个维度进行结构化回答
- 请介绍一个你开发过的AI Agent或RAG系统项目，你负责了哪些核心部分？遇到了什么技术挑战？
- 你如何评估一个AI Agent的回答质量？会设计哪些维度的评估指标？
- 在设计一个多Agent协作系统时，你会考虑哪些关键因素（如通信机制、任务分配、状态管理）？
- 如果给定一个企业内部知识库，让你构建一个能回答复杂问题的RAG系统，你的设计思路是什么？
- 你对Prompt Engineering有哪些深入的理解？能否举例说明你是如何通过优化Prompt来显著提升效果的？
职位点评
薪资福利70
成长发展90
工作生活45
使命价值80
薪资福利
70中等
作为前沿技术岗位，预计薪资在天津市场具有竞争力，但JD未明确提及具体福利。
薪资信号市场水准 (1.5千–2.5万/月)
成长发展
90较高
职位聚焦于LLM、AI Agent等前沿技术，职责覆盖从开发到优化的全链路，技术深度和广度要求高，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、RAG、LangChain、Prompt Engineering、LoRA、SFT、Milvus
成长机会模型训练或微调、推理优化、建立Agent评估体系
业务类型ambiguous
工作生活
45较低
JD未明确工作模式和作息，无法判断工作生活平衡情况，但AI Agent领域通常节奏较快。
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
80较高
岗位处于人工智能这一高速增长赛道，致力于将大模型技术转化为实际生产力，具有较高的创新性和应用价值。
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