中科曙光
AI Agent工程师 / LLM应用工程师（郑州）(J13628)
AI Agent工程师 / LLM应用工程师（郑州）(J13628)
发布于 7 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
向量数据库
值不值得投
74综合评分
综合评分 74
前沿AI技术岗位，技术成长性好，但WLB一般，适合注重技能提升的工程师。
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
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
约 540 个在招 · 其中人工智能 42 个
市场机会
选择适中
郑州 · 人工智能 · 20 个在招
职位详情
关于这个职位
这个职位专注于基于大模型（LLM）的AI Agent系统开发与应用落地，负责设计RAG架构、构建企业知识库，并开发智能体工作流和多Agent协作能力，旨在为企业构建智能、高效的AI解决方案
最低要求
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）
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
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
- 接触前沿AI技术栈（LLM、Agent、RAG），技能积累快，行业前景好
- 企业级应用落地机会多，能积累实际项目经验，提升工程能力
- 中科曙光提供稳定平台，可能有机会参与大型企业合作项目
- 涉及多技术栈集成，系统复杂度高，对工程能力和问题解决能力要求严格
- 适合对AI和LLM技术有浓厚兴趣，具备扎实编程基础，追求技术成长并乐于解决复杂工程问题的工程师
缺点 / 挑战
- 技术更新迅速，需持续学习以保持竞争力，工作压力可能较大
- 企业知识库项目可能涉及敏感数据，对安全性和准确性有较高要求
角色解读
- 从初级AI工程师成长为高级AI架构师或技术专家，专注于Agent系统设计与优化
- 转向技术管理岗位，如团队负责人或项目经理，领导AI项目交付
- 深耕行业应用，成为特定领域（如企业知识库）的AI解决方案专家
- 负责开发和落地基于大模型的AI Agent系统，实现智能体工作流和多Agent协作
- 设计RAG架构以构建企业知识库，提升检索增强生成效果
- 进行Prompt优化、模型微调及推理优化，确保系统性能和稳定性
- 建立评估体系，持续提升Agent回答的准确率
- 熟练掌握Python或Golang，具备扎实的工程开发能力
- 熟悉LLM应用开发和AI Agent架构设计，了解RAG技术体系
- 掌握至少一种Agent开发框架（如LangChain）和向量数据库（如Milvus）
- 有模型微调、Prompt Engineering或Agent评估经验
申请策略
- 了解中科曙光在AI领域的产品和业务方向，面试时展示对行业的理解
- 准备具体项目案例，说明如何解决Agent开发中的挑战（如工具调用准确性）
- 突出Python/Golang项目经验，尤其是与LLM或AI相关的开发成果
- 强调RAG架构设计、Agent框架使用（如LangChain）和向量数据库实践
- 列出模型微调（LoRA/SFT）或Prompt Engineering的具体案例
- 展示评估体系搭建或性能优化经验，体现系统思维
- 深入学习RAG技术体系和主流Agent开发框架（如LangGraph），可通过开源项目实践
- 补充Docker/Kubernetes等部署知识，提升模型工程化能力
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答，突出技术决策和成果
- 结合具体项目经验，说明技术选型理由和优化过程
- 强调问题解决思路和工程化实践，如测试、部署和监控
- 请描述你过去开发AI Agent系统的经验，如何设计RAG架构？
- 在多Agent协作中，你遇到过哪些挑战，如何解决？
- 如何优化Prompt以提高Agent的回答准确率？
- 你熟悉哪些Agent开发框架，如何选择？
- 如何建立Agent评估体系？有哪些关键指标？
职位点评
薪资福利70
成长发展85
工作生活60
使命价值80
薪资福利
70中等
薪资处于市场水准，稳定性较好，但福利细节未提及，整体补偿性动机满足程度中等。
薪资信号市场水准 (1.5千–2.5万/月)
成长发展
85较高
职位涉及前沿AI技术，有较好的技能成长和项目落地机会，但JD未明确提及培训或晋升路径。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、RAG、LangChain、微调
业务类型ambiguous
工作生活
60中等
工作模式未明确提及，可能为现场办公，WLB信号不足，生活化动机满足程度有限。
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
AI行业处于高速增长赛道，技术有创新性，但社会影响力中等，使命导向信号不明显。
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