海尔
高级AI算法工程师
高级AI算法工程师
发布于 4 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
Deepspeed
Moe
Rag
Vllm
分布式训练
多模态大模型
值不值得投
77综合评分
综合评分 77
前沿技术栈、业务场景丰富、成长空间大，但WLB未明确，适合技术驱动型人才。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
3.5万
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 680 个在招 · 其中人工智能 6 个
市场机会
选择适中
青岛 · 人工智能 · 17 个在招
职位详情
关于这个职位
该职位主要负责大模型与多模态模型的底层研发、工程优化及智能体（AI Agent）系统的设计与实现
你需要结合海量异构数据进行高价值算法建模，推动模型在智能搜索、异常检测等业务场景的闭环落地，并参与企业级大模型基础设施的建设与技术预研
最低要求
算法领域前沿技术研究：具备对算法领域前沿技术的热情和研究能力，可以进行包括大模型、多模态等技术的应用和实践
数据分析和挖掘：具备扎实的数据分析和挖掘能力，熟悉常见的数据算法模型，能够使用统计学和机器学习等技术进行数据分析和挖掘工作
算法应用和模型建立：具备建立算法应用于经营管理分析的能力，包括预测模型、优化模型等
了解经营场景分析的方法，如风险预测、推荐系统和异常检测等
编程和软件开发：具备良好的编程能力，熟练掌握至少一种编程语言（如Python、Java等），熟悉Linux脚本及Git等，能够进行软件开发和算法实现
研究生及以上学历，三年AI算法、应用相关领域工作经验，具备优秀的沟通协调能力与项目推进能力
工作职责
一、大模型与多模态模型的底层研发与工程优化
深入理解Transformer、MoE、Hybrid等主流架构原理，具备模型结构调整、稀疏化、量化、知识蒸馏等改进能力
主导多机多卡（如2~8机、每机4~8卡）分布式训练，熟练应用Data/Model/Pipeline并行策略，掌握DeepSpeed、FSDP、Megatron-LM等框架的核心机制与调优技巧
优化模型推理性能：包括KV Cache管理、动态批处理、PagedAttention、vLLM/TensorRT-LLM部署、INT4/INT8量化等，显著提升吞吐与降低延迟
支持多模态大模型（如Qwen-VL、InternVL、LLaVA等）的微调、指令对齐与端到端集成，解决跨模态表征对齐与推理一致性问题
二、智能体（AI Agent）系统设计与实现
构建具备规划（Planning）、长期记忆（Memory）、工具调用（Function Calling）、反思（Self-Reflection）能力的Agent框架
设计多Agent协作机制，支持任务分解、动态调度与结果聚合
结合RAG、ReAct、LangChain/CrewAI等范式，提升Agent在知识问答、决策辅助、自动化运营等场景中的准确性与鲁棒性
三、面向业务的高价值算法建模与闭环落地
基于海量异构数据（文本、图像、日志、时序等），构建可解释、可监控的预测、分类、检索与生成模型
支撑关键系统：智能搜索推荐、异常检测与归因、经营预测优化、政策知识库问答等
推动模型全生命周期管理：数据→训练→评估→部署→监控→反馈迭代
四、技术沉淀与能力建设
参与制定企业级大模型训练/推理规范、评估体系与安全对齐指南
持续跟踪LLM/VLM/Agent前沿进展（如Mamba、Jamba、o1等），开展技术预研与快速验证
协助建设高可用算法基础设施（训练调度平台、推理服务网关、日志监控系统）
AI 洞察
优缺点分析
优点
- 技术栈极其前沿，涵盖大模型微调、分布式训练、推理加速及AI Agent等当前AI领域最核心的技术方向
- 依托大型实体企业，拥有丰富的海量异构数据资源和丰富的业务落地场景，利于算法闭环与价值验证
- 岗位职责涵盖从底层研发到业务落地再到基础设施建设，能全面锻炼系统性工程能力与架构设计能力
- 大模型与多模态技术迭代极快，需要持续投入大量精力跟踪前沿进展并进行技术预研
- 适合具备扎实大模型底层研发经验、对AI Agent及多模态技术有浓厚兴趣，且渴望在大型实体企业推动AI技术规模化落地的资深算法工程师
缺点 / 挑战
- 跨部门协作与业务落地要求高，需将前沿算法与复杂的经营管理场景深度结合，面临较高的工程化与业务理解挑战
角色解读
- 纵向可发展为AI算法专家或首席科学家，深耕大模型底层架构与前沿技术预研
- 横向可向AI业务架构师或AI产品技术负责人转型，统筹企业级AI基础设施与核心业务场景的智能化升级
- 负责大模型与多模态模型的底层研发、分布式训练及推理性能优化，解决跨模态对齐等核心技术难题
- 设计并实现具备规划、记忆、工具调用等能力的AI Agent系统，结合RAG等范式落地知识问答与自动化运营场景
- 基于海量异构数据进行算法建模，支撑智能搜索、异常检测、经营预测等关键业务系统的闭环落地
- 精通Transformer、MoE等主流架构，熟练掌握DeepSpeed、vLLM等分布式训练与推理加速框架
- 具备扎实的AI Agent开发经验，熟悉LangChain、RAG、ReAct等范式及多Agent协作机制
- 熟练使用Python等编程语言，具备海量数据处理、模型全生命周期管理及高可用基础设施建设能力
申请策略
- 在面试中不仅要展现算法深度，还要体现工程化落地能力与跨部门沟通推进能力，契合JD中强调的项目推进能力
- 重点突出在大模型分布式训练（DeepSpeed/Megatron-LM）与推理加速（vLLM/TensorRT-LLM）方面的实际优化成果与性能指标
- 详细展示AI Agent系统的设计与落地经验，特别是多Agent协作、RAG优化及工具调用（Function Calling）的具体业务收益
- 强调模型全生命周期管理能力，以及将算法应用于智能搜索、异常检测等实际业务场景的闭环经验
- 深入研读最新的LLM/VLM/Agent论文与开源项目（如Qwen-VL、InternVL、CrewAI），保持对前沿技术的敏锐度
- 提升对海尔具体业务场景（如家电制造、供应链、智慧家庭）的理解，思考AI技术如何赋能这些传统业务的智能化转型
面试指南
- STAR法则：针对项目经验问题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，重点突出Action中的技术细节和Result中的量化指标（如吞吐量提升、延迟降低）
- 技术深度+业务价值：在回答算法设计问题时，先阐述底层技术原理与选型依据，再结合具体业务场景说明该设计带来的实际业务价值与收益
- 请详细描述你主导过的多机多卡分布式训练项目，遇到了哪些通信或显存瓶颈，是如何使用DeepSpeed或Megatron-LM解决的？
- 在构建AI Agent时，你是如何设计长期记忆（Memory）和工具调用（Function Calling）机制的？如何解决多Agent协作中的任务分解与结果聚合问题？
- 针对多模态大模型（如Qwen-VL），你在微调或指令对齐过程中，如何解决跨模态表征对齐与推理一致性问题？
- 请分享一个你基于海量异构数据构建预测或分类模型并成功落地的案例，如何保证模型的可解释性与可监控性？
- 面对LLM/VLM/Agent领域的快速迭代，你最近关注了哪些前沿技术（如Mamba、o1），并如何进行技术预研与快速验证的？
- 复习并梳理自己过往项目中关于分布式训练、推理加速、Agent框架设计的核心技术细节，准备好应对深度的技术追问
职位点评
薪资福利75
成长发展90
工作生活60
使命价值80
薪资福利
75中等
该岗位在青岛地区具有较强薪资竞争力，福利体系相对完善，但受限于地域整体薪资天花板，不及一线城市同类岗位。
薪资信号市场水准 (2.5千–4.5万/月)
成长发展
90较高
岗位涉及大模型、多模态、AI Agent等最前沿技术，且要求持续跟踪前沿进展，技术成长空间极大，能接触到企业级核心业务场景。
技术前沿前沿/新兴技术
技术栈Transformer、MoE、DeepSpeed、vLLM、AI Agent、RAG、LangChain、多模态大模型
成长机会持续跟踪LLM/VLM/Agent前沿进展、开展技术预研与快速验证
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与加班情况，具体工作强度与WLB情况需在面试时与HR进一步确认。
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
80较高
推动AI技术在大型实体企业的落地，有助于传统产业的智能化转型，具有较高的社会与产业价值。
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
海尔 的其他在招职位
相似职位推荐
Watch Jobs