TCL
LLM Engineer
LLM Engineer
发布于 14 小时前基层主管/组长
全职员工仅现场办公机器学习工程
机器学习工程
Llm
Pytorch
Rag
Vllm
推理优化
数据工程
深度学习
值不值得投
76综合评分
综合评分 76
核心AI研发岗，深耕大模型与Agent前沿技术，技术成长空间大，但工作节奏与挑战并存。
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
4.8万
比机器学习工程中位数高
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 430 个在招
市场机会
选择面较广
深圳 · 机器学习工程 · 83 个在招
职位详情
关于这个职位
该职位主要负责探索大语言模型在科技创新场景中的应用与产品化落地，涵盖数据工程、Agent设计与调试及端到端部署
你需要带领小型团队完成从算法方案设计、推理优化到上线监控的完整工作流，推动AI技术在业务中的实际价值转化
最低要求
计算机、人工智能等相关专业本科及以上学历，5 年以上 AI/ML 产品相关研发经验
扎实的计算机与人工智能基础，熟悉经典深度学习算法（分类、检测、Transformer 等）
精通 PyTorch、vLLM 或相关框架，有真实 LLM 产品化经验
熟悉大模型体系，包括数据工程、训练流程、推理与加速、RAG、Agent 框架等，能独立完成从数据到上线的完整工作流
具备良好的工程能力、代码质量意识和跨团队协作能力
工作职责
探索大语言模型在科技创新等场景中的应用，包括技术比对、价值评估、发明创造等方向的产品化落地
负责数据相关工作：数据采集、清洗、标注方案设计、核心内容分析、模型效果评估与优化
设计与调试智能体（Agent），并带领 2–3 人团队共同完成研发与部署
推进智能体端到端落地，包括算法方案设计、推理优化、上线监控与迭代
优先资格
在 CVPR / ICML / ACL 等顶会发表论文，或在 Hugging Face 等社区有高质量开源贡献
英文读写流畅，有一定的英语沟通的场景，需能胜任
有 AI 产品 Owner / Tech Lead 经验，能够推动跨团队落地
AI 洞察
优缺点分析
优点
- 处于大模型与Agent技术爆发的核心赛道，能接触到最前沿的LLM产品化落地实践
- 依托大型企业的丰富业务场景，有充足的数据和资源支持技术探索与产品化
- 带有小型团队管理职责，有助于从纯技术向技术管理或AI产品Owner转型
- 大模型技术迭代极快，需要持续保持高强度的学习以跟进最新论文和开源社区动态
- 适合具备扎实大模型工程落地经验、对Agent和RAG有深入理解，且有意愿带领小团队攻坚的资深AI研发人才
缺点 / 挑战
- 从算法设计到端到端落地涉及环节众多，跨团队协作和工程化部署的挑战较大
角色解读
- 从核心算法工程师向AI技术专家或Tech Lead方向发展，主导更大规模的AI产品落地
- 深入大模型与Agent前沿技术，成为企业级AI应用架构师，推动业务智能化转型
- 探索大语言模型在科技创新场景的应用，推动技术比对、价值评估等产品化落地
- 负责数据工程全流程，包括采集、清洗、标注设计及模型效果评估优化
- 设计调试智能体（Agent），带领小型团队完成端到端研发、推理优化与上线部署
- 扎实的深度学习基础，精通PyTorch、vLLM等框架及Transformer等经典算法
- 熟悉大模型全链路体系，涵盖数据工程、训练、推理加速、RAG及Agent框架
- 具备优秀的工程落地能力、代码质量意识以及跨团队协作与小型团队管理经验
申请策略
- 了解TCL在科技创新、智能制造等领域的业务布局，思考大模型如何赋能其核心业务
- 准备好英文自我介绍或技术文档阅读能力的证明，以应对可能的英语沟通场景
- 重点突出LLM产品化落地经验，特别是从数据到上线的完整工作流和实际业务收益
- 展示在Agent设计、RAG应用或推理优化方面的具体项目成果及技术难点攻克过程
- 若有顶会论文、Hugging Face高质量开源贡献或Tech Lead经验，务必在简历显著位置标明
- 深入学习vLLM等推理加速框架及Agent编排框架，提升工程部署能力
- 关注科技创新场景下的LLM应用案例，培养技术比对与价值评估的产品化思维
面试指南
- STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action，突出技术选型与工程实现) -> 结果(Result，量化业务收益)
- 技术深度+业务价值：不仅讲清楚技术细节（如RAG检索策略、Agent编排逻辑），还要强调该技术如何解决了实际业务痛点
- 请详细介绍一个你主导的LLM产品化落地项目，遇到了哪些工程挑战及如何解决？
- 在Agent设计与调试中，你是如何保证智能体在复杂任务中的稳定性和准确性的？
- 针对大模型的推理优化，你有哪些实际经验？如何平衡推理速度与模型效果？
- 如何设计一套高效的数据采集与标注方案，以最大化模型训练的效果？
- 复习Transformer底层原理、vLLM推理机制及主流Agent框架的源码或核心逻辑
- 梳理过往项目中的数据工程经验，准备好应对数据质量、标注方案设计等方面的深度提问
职位点评
薪资福利80
成长发展90
工作生活50
使命价值75
薪资福利
80较高
作为核心AI研发岗，薪资水平具备市场竞争力，且福利体系相对完善，但JD未明确披露具体薪资结构。
薪资信号未披露（AI估算：3.5千–6万/月）
成长发展
90较高
岗位处于大模型与Agent前沿领域，能深度参与从数据到上线的全链路研发，且带有团队管理职责，技术与职业发展天花板高。
技术前沿前沿/新兴技术
技术栈PyTorch、vLLM、Transformer、LLM、RAG、Agent、深度学习
成长机会带领 2–3 人团队、Tech Lead
业务类型profit_center
工作生活
50较低
JD未明确提及工作模式与加班情况，但作为核心AI研发岗且需带领团队推进端到端落地，工作节奏可能较快。
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
75中等
大模型技术属于当前科技领域的高增长赛道，推动AI在科技创新场景的落地具有较高的技术成就感与行业前景。
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