TCL
智能体工程师
智能体工程师
发布于 1 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
Llm
Ocr
Rag
多模态推理
目标检测
知识图谱
语义分割
值不值得投
76综合评分
综合评分 76
前沿AI技术栈、工业场景落地机会多、技术成长空间大，但WLB状况未明确。
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
4.3万
比人工智能中位数高
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 630 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
该职位主要负责基于大语言模型（LLM）和RAG技术的智能体（Agent）研发，结合工业级场景需求，实现多模态联合推理与自动化决策
你需要将视觉感知能力与LLM/RAG系统协同，解决工业质检、巡检等复杂视觉与知识整合难题
最低要求
具备较强的逻辑思维能力，具备较好的人工智能技术栈，如Python、LangChain、Function Calling、RAG、图像和数据算法等技能能力以及呈现能力
积极主动，靠谱当责，具备良好的团队协作能力
了解LLM在工业级场景下的应用，如上下文工程、指令遵循、逻辑推理等方面的准确性与时效性
掌握RAG系统的高效检索、知识融合与增强生成，并构建基于知识图谱和本体的结构化知识表示，实现语义推理、复杂查询解析及关系补全，解决工业级多源异构知识的高效整合与动态更新问题
了解工业场景下的规则定义、状态建模与自动化决策
工业图像算法（目标检测、缺陷分类、语义分割、OCR等），将视觉感知能力封装为标准化工具/插件，并与LLM/RAG系统协同，实现多模态联合推理与决策，解决工业质检、巡检、定位中的复杂视觉难题
工作职责
运用人工智能技术栈（Python、LangChain、Function Calling、RAG等）进行智能体研发，并具备良好的技术呈现能力
保持积极主动与靠谱当责的工作态度，与团队紧密协作推进项目落地
探索并应用LLM在工业级场景下的落地，优化上下文工程、指令遵循、逻辑推理等方面的准确性与时效性
负责RAG系统的高效检索、知识融合与增强生成，构建基于知识图谱和本体的结构化知识表示，解决工业级多源异构知识的高效整合与动态更新问题
负责工业场景下的规则定义、状态建模与自动化决策，将工业图像算法封装为标准化工具/插件，与LLM/RAG系统协同实现多模态联合推理与决策
AI 洞察
优缺点分析
优点
- 处于AI与工业互联网结合的交叉前沿领域，智能体（Agent）和多模态技术是当前最具潜力的发展方向
- 依托TCL及格创东智的庞大工业场景，拥有丰富的真实业务数据和落地机会，技术成果易产生实际业务价值
- 需要同时具备大模型应用、知识图谱和计算机视觉等多领域知识，技术栈跨度大，学习曲线陡峭
- 具备扎实AI算法基础，对大模型和Agent技术有浓厚兴趣，且愿意深入工业制造场景解决复杂工程问题的技术极客
缺点 / 挑战
- 上市公司平台，资源充足，能够接触到工业级高并发、高可靠性的系统架构挑战
- 工业场景对AI的准确性、时效性和鲁棒性要求极高，LLM的幻觉问题和多模态对齐是巨大的技术挑战
角色解读
- 纵向可发展为AI技术专家或智能体架构师，主导复杂工业AI系统的底层架构设计
- 横向可向AI产品经理或技术总监转型，负责工业互联网AI产品线的整体规划与团队管理
- 研发基于大语言模型（LLM）和RAG技术的智能体（Agent），优化上下文工程与逻辑推理能力
- 构建知识图谱与结构化知识表示，解决工业级多源异构知识的整合与动态更新
- 将工业图像算法（如目标检测、OCR）封装为插件，与LLM/RAG协同实现多模态联合推理，应用于工业质检和巡检
- 熟练掌握Python及LangChain等AI开发框架，精通RAG系统构建与知识图谱技术
- 具备工业图像算法（目标检测、语义分割等）的开发与工程化封装能力
- 深入理解LLM在工业场景的落地应用，具备多模态联合推理与自动化决策的设计能力
申请策略
- 提前了解格创东智在工业互联网和智能制造领域的核心产品，思考AI Agent如何赋能其现有业务线
- 突出在LLM、RAG或Agent开发方面的实际项目经验，特别是解决过幻觉、检索准确率等具体问题的案例
- 展示计算机视觉（CV）项目经验，强调如何将视觉模型工程化、插件化并与大模型结合的经历
- 体现对工业场景（如质检、巡检）的理解，或展示知识图谱构建与多源数据融合的成功案例
- 深入学习LangChain/LlamaIndex等框架的高级用法，掌握复杂Agent的编排与Function Calling机制
- 补充工业视觉算法知识，了解目标检测、语义分割在边缘侧部署及与LLM协同推理的优化方案
面试指南
- STAR法则：针对项目经验题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，突出技术难点和你的具体贡献
- 架构设计思路：针对系统设计题，从数据流、模型选型、工程化部署、效果评估四个维度展开，展现全局观
- 请介绍一个你主导或深度参与的RAG系统项目，你是如何解决多源异构知识检索准确率问题的？
- 在工业质检场景中，如何将视觉感知能力（如缺陷分类）与LLM结合？遇到多模态对齐困难时怎么解决？
- 针对LLM在工业场景下的幻觉问题，你在上下文工程或指令遵循方面做过哪些优化？
- 请描述你如何将一个复杂的视觉算法封装为标准化工具/插件，供Agent调用的过程
- 复习并梳理自己过往项目中RAG、知识图谱和CV算法的核心代码与架构图，确保能讲透技术细节
- 了解当前Agent领域的最新进展（如ReAct、Plan-and-Solve等范式），并思考其在工业场景的适用性
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
职位属于前沿AI技术岗，依托上市巨头企业，薪资福利具备市场竞争力，但JD未明确披露具体薪资和福利细节。
薪资信号未披露（AI估算：3千–5.5万/月）
成长发展
90较高
岗位涉及LLM、RAG、多模态等前沿AI技术，且依托丰富的工业场景，技术成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、LangChain、Function Calling、RAG、LLM、知识图谱、目标检测、语义分割、OCR
业务类型ambiguous
工作生活
50较低
JD未提及工作模式、弹性工时或WLB相关信息，无法判断其工作生活平衡状况，通常研发岗可能面临一定的项目交付压力。
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
岗位致力于将前沿AI技术应用于工业制造场景，推动工业智能化转型，具有较高的社会价值和行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs