TCL
AI应用开发工程师81672024
AI应用开发工程师81672024
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
Go
Langgraph
Prompt Engineering
Rag
值不值得投
72综合评分
综合评分 72
上市巨头AI应用研发岗，技术栈前沿、成长空间大，薪资福利完善，WLB情况未知。
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
2.8万
比人工智能中位数低
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 680 个在招 · 其中人工智能 6 个
市场机会
选择面较广
深圳 · 人工智能 · 约 130 个在招
职位详情
关于这个职位
该职位主要负责AI应用的整体架构设计与核心功能开发，包括构建RAG链路、设计Agent任务流以及优化后端性能
你需要将大模型能力转化为实际产品功能，并跟进LLM前沿技术进行业务落地
最低要求
实战经验：计算机相关专业本科及以上，具备3年以上后端开发经验，其中至少1年专注于AI应用层研发
编程功底：精通Python/Go/Java至少一种，具备优秀的算法和数据结构基础，熟悉常用的后端架构和并发处理模型
AI技术栈：熟悉LangChain/Index/LangGraph等主流AI开发框架
有向量数据库（如Milvus, Pinecone, Qdrant等）的实际使用和调优经验
熟练掌握Prompt Engineering，能处理结构化输出（JSON Mode）和模型评估
工程实践：熟悉MySQL、Redis、消息队列等中间件
能够解决接口超时、流式传输中断、Token消耗监控等工程细节问题
业务敏锐度：不仅是代码实现，更能理解用户需求，对如何利用AI提升产品体验有独特的见解和热情
工作职责
AI产品实现：负责AI应用的整体架构设计与核心功能开发，将AI能力真正转化为用户可用的产品功能
RAG与搜索优化：构建并优化RAG(检索增强生成)链路，深入处理向量化、索引构建、重排序（Rerank）等环节，提升回答的准确性和专业度
Agent逻辑编排：设计并实现基于Agent架构的任务流，利用工具调用（Function Calling）、多步推理（CoT）和长短期记忆机制解决复杂场景问题
后端架构与性能：负责后端服务研发，攻克大模型推理延迟、长连接（Stream）稳定性、高并发接入等技术挑战，确保系统稳定流畅
技术落地探索：跟进LLM领域前沿动态（如长上下文处理、多模态、小型化模型），快速原型验证并推动其在实际业务中的落地
优先资格
有完整AI产品上线经验者优先
AI 洞察
优缺点分析
优点
- 处于AI大模型应用落地的核心赛道，能积累RAG、Agent等前沿AI工程化经验
- 依托大型企业的丰富业务场景，有利于将AI技术转化为实际产品价值，技术成就感强
- 大模型应用开发技术迭代极快，需要持续跟进LLM前沿动态并保持高强度的学习
- 具备扎实后端基础，对大模型应用开发有热情，且希望在实际业务场景中落地AI技术的开发者
缺点 / 挑战
- 需解决推理延迟、长连接稳定性等工程难题，对系统架构能力和底层原理理解要求较高
角色解读
- 从AI应用开发工程师向AI架构师或AI技术专家发展，深入大模型底层优化或业务架构设计
- 转型为AI产品技术负责人，主导AI产品的商业化落地与团队技术管理
- 负责AI应用的整体架构设计与核心功能开发，将大模型能力转化为用户可用的产品功能
- 构建并优化RAG链路，设计基于Agent架构的任务流，解决大模型推理延迟和高并发等后端技术挑战
- 跟进LLM领域前沿动态，进行快速原型验证并推动新技术在实际业务中的落地
- 精通Python/Go/Java至少一种，熟悉LangChain/LangGraph等AI开发框架及向量数据库
- 具备扎实的后端工程能力，熟悉MySQL、Redis及消息队列，能解决流式传输、接口超时等工程问题
- 熟练掌握Prompt Engineering，具备优秀的算法和数据结构基础，理解常用的后端架构和并发处理模型
申请策略
- 了解TCL在AI领域的业务布局和产品方向，准备一些关于如何利用AI提升传统家电或显示产品用户体验的思考
- 突出完整的AI产品上线经验，详细描写RAG链路优化、Agent任务流设计的具体成果与数据指标
- 强调解决大模型推理延迟、高并发接入、流式传输中断等工程难题的实际案例与技术方案
- 深入学习LangChain/LangGraph等框架的高级用法，掌握向量数据库的调优技巧与Rerank机制
- 提升对Prompt Engineering和模型评估的系统性理解，熟悉JSON Mode等结构化输出处理
面试指南
- 采用STAR法则，重点突出在AI工程化落地中遇到的具体技术难点（如延迟、并发、准确率），以及你采取的架构设计和优化手段，最后用数据指标说明优化效果
- 请详细介绍你主导过的一个完整AI产品上线项目，遇到了哪些工程挑战，是如何解决的？
- 在构建RAG链路时，你是如何处理向量化、索引构建和重排序以提升准确率的？
- 针对大模型推理延迟和长连接稳定性问题，你有哪些具体的优化方案和架构设计？
- 请解释Agent架构中的Function Calling和多步推理（CoT）是如何实现的，并举例说明
- 复习LangChain/LangGraph的核心源码和设计理念，准备1-2个自己亲手优化的RAG或Agent项目的详细技术细节
- 了解TCL近期的AI相关产品和战略，思考大模型技术如何与公司的核心硬件业务结合
职位点评
薪资福利75
成长发展85
工作生活50
使命价值70
薪资福利
75中等
该岗位属于AI应用开发热门方向，具备一定技术溢价，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：2千–3.5万/月）
成长发展
85较高
岗位涉及RAG、Agent、LLM前沿技术落地，技术栈前沿，能极大提升AI工程化能力。
技术前沿前沿/新兴技术
技术栈Python、Go、Java、LangChain、LangGraph、Milvus、RAG、Agent、Prompt Engineering、LLM
成长机会跟进 LLM 领域前沿动态、快速原型验证
业务类型ambiguous
工作生活
50较低
JD未提及工作模式与WLB相关信息，无法判断实际工作强度与办公灵活性。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
AI大模型应用是当前科技发展的核心方向，将AI技术落地于实际产品能带来较强的技术成就感。
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