海尔
AI平台研发工程师
AI平台研发工程师
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
Mcp
Rag
向量检索
大模型
知识图谱
语义建模
值不值得投
71综合评分
综合评分 71
上市巨头AI平台研发岗，技术栈前沿、成长空间大，但WLB未明确。
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
2.2万
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 710 个在招 · 其中人工智能 7 个
市场机会
选择适中
青岛 · 人工智能 · 18 个在招
职位详情
关于这个职位
该职位负责企业级AI应用及平台核心模块的设计与开发，涵盖知识问答、业务协同等场景
你需要主导知识与上下文服务建设、Agent工作流开发及AI应用评测体系，推动大模型技术在企业内部的落地与优化
最低要求
计算机、软件工程、人工智能或相关专业本科及以上学历，3年以上软件研发、数据平台或 AI 应用开发经验，具有实际的大模型应用或 Agent 项目交付经历
熟练掌握 Python、Java、Go 中至少一门编程语言，具备扎实的数据结构、数据库、网络及服务端开发基础
能够独立完成核心模块的设计、开发、测试与问题排查，具备 SQL 及数据处理能力
熟悉大模型应用开发机制，掌握提示词设计、上下文管理、工具调用及 RAG 的关键流程
具备 Agent 或知识检索系统实践经验，能够定位并优化检索遗漏、回答失真、工具调用失败等问题
具备数据建模与业务抽象能力，理解领域本体、知识图谱和语义层的作用及区别，能够将业务概念、实体关系和规则转化为可实现的数据模型与接口设计
具备知识建模、元数据管理或语义映射相关实践
熟悉向量检索、关键词检索与重排序等技术，能够根据业务场景选择合适的检索方案
具备效果评测、性能优化及生产问题排查能力，理解准确性、时延、成本和可维护性之间的权衡
具备良好的需求分析、技术文档及跨团队协作能力，能够与业务人员共同澄清概念、数据口径和验收标准，推进方案落地
重视代码质量、权限边界、数据安全及系统稳定性
工作职责
负责企业级 AI 应用及平台核心模块的设计、开发与落地，围绕知识问答、业务协同、研发提效等场景，完成需求分析、技术方案、原型验证、上线交付及持续优化，沉淀可复用的技术能力
负责知识与上下文服务建设，打通业务文档、结构化数据及业务系统，建设数据解析、知识抽取、索引更新、混合检索、重排序与来源追溯能力，为大模型和 Agent 提供准确、可控的业务上下文
参与领域本体与语义层设计，与业务及数据团队共同梳理业务概念、实体、属性、关系和规则，建立跨系统数据与业务术语的语义映射
推进知识图谱构建及语义模型迭代，支撑业务知识检索、关联分析与 Agent 任务执行
负责 Agent 工作流与工具集成能力开发，建设任务编排、上下文与记忆管理、工具调用及异常恢复机制
通过 API、MCP 等方式接入业务系统，完善工具注册、版本管理、权限校验和高风险操作确认机制
建设 AI 应用评测与优化体系，围绕检索质量、回答准确性、任务完成率、响应时延及调用成本开展测试和分析，通过评测集、线上反馈和问题复盘持续提升系统效果与可靠性
负责相关服务的工程化建设与运行维护，完善接口规范、自动化测试、部署发布、监控告警和日志追踪，落实数据访问控制与安全审计，协同产品、业务及数据团队完成项目交付
优先资格
有企业级本体、知识图谱或语义层建设经验，熟悉 RDF/OWL、SHACL 等语义建模与约束校验技术，或具备 Cypher、SPARQL 等图查询语言实践
有 GraphRAG、复杂任务 Agent、工具治理平台或企业级 AI 平台建设经验，能够提供清晰的技术方案、个人贡献及上线效果说明
有制造、供应链、企业服务或研发效能等领域经验，熟悉业务数据与流程，能够将行业知识转化为可复用的模型、工具及应用能力
AI 洞察
优缺点分析
优点
- 技术栈前沿：深度参与大模型、Agent、RAG及知识图谱等前沿AI技术的工程化落地
- 平台资源丰富：依托上市巨头企业的海量业务场景与数据资源，项目落地价值高
- 业务赋能明确：聚焦研发提效与业务协同，技术成果能直接转化为企业生产力
- 适合具备扎实后端基础、对大模型及Agent技术有浓厚兴趣，且希望在实体产业中推动AI落地的技术人才
缺点 / 挑战
- 业务复杂度高：需要深入理解制造、供应链等复杂业务逻辑，跨部门沟通与需求澄清成本较高
- 技术挑战大：大模型幻觉控制、检索准确率优化及Agent工具调用的稳定性在生产环境中极具挑战
角色解读
- 纵向可发展为AI平台技术专家或架构师，主导企业级AI基础设施演进
- 横向可向AI业务负责人或产品技术总监转型，推动AI技术在制造、供应链等核心业务的深度赋能
- 负责企业级AI应用及平台核心模块的设计与开发，涵盖知识问答、业务协同等场景的落地
- 主导知识与上下文服务建设，打通业务数据，为大模型和Agent提供准确可控的业务上下文
- 开发Agent工作流与工具集成能力，建设任务编排、记忆管理及工具调用机制
- 熟练掌握Python/Java/Go至少一门语言，具备扎实的后端开发与数据处理能力
- 熟悉大模型应用开发机制，掌握RAG、Agent、提示词设计及工具调用等核心技术
- 具备数据建模与业务抽象能力，理解知识图谱、领域本体及语义层设计
申请策略
- 了解海尔在智能制造、工业互联网及企业数字化转型方面的战略布局，面试时结合业务场景阐述技术思考
- 突出大模型应用或Agent项目的实际交付经历，量化检索准确率、响应时延等优化效果
- 展示在知识图谱、语义建模或RAG系统建设中的具体贡献与技术深度
- 强调跨团队协作能力，特别是与业务团队澄清需求、推进方案落地的经验
- 深入学习GraphRAG、复杂Agent编排及MCP协议等前沿技术，提升工具治理与异常恢复能力
- 补充制造、供应链或企业服务领域的业务知识，增强业务抽象与数据建模能力
面试指南
- STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action，重点突出技术选型与优化细节) -> 结果(Result，用数据量化收益)
- 权衡分析：在回答性能优化或架构设计时，主动分析准确性、时延、成本与可维护性之间的权衡取舍
- 请分享一个你主导的RAG或Agent项目，如何解决检索遗漏或回答失真的问题？
- 在构建知识图谱或语义层时，你是如何将业务概念转化为数据模型的？
- 如何评估和优化大模型应用的检索质量、回答准确性及响应时延？
- 在Agent工具调用中，如何设计异常恢复机制和高风险操作确认机制？
- 复习大模型应用开发的核心流程，特别是RAG的索引更新、混合检索、重排序及Agent的记忆管理机制
- 准备1-2个复杂业务场景下的AI落地案例，梳理从需求分析到上线交付的完整技术链路
职位点评
薪资福利75
成长发展85
工作生活50
使命价值65
薪资福利
75中等
作为上市巨头企业，薪资稳定性与福利保障较好，青岛地区AI岗位薪资具备一定竞争力，但JD未明确披露具体薪资范围。
薪资信号未披露（AI估算：1.5千–2.8万/月）
成长发展
85较高
岗位深度涉及大模型、Agent、RAG及知识图谱等前沿技术，技术成长空间大，且依托丰富业务场景利于技术落地与经验积累。
技术前沿前沿/新兴技术
技术栈Python、Java、Go、大模型、Agent、RAG、知识图谱、向量检索、MCP、GraphRAG
业务类型cost_center
工作生活
50较低
JD未明确提及工作模式与加班情况，海尔作为大型制造企业，工作节奏可能因项目交付压力而存在波动，WLB情况需进一步确认。
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
65中等
推动AI技术在制造、供应链等实体产业的落地，具有一定的产业赋能价值，但属于企业内部效能提升，直接社会影响力一般。
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