澳蒂华
Head of AI Engineering, Shanghai
Head of AI Engineering, Shanghai
发布于 大约 7 小时前中层管理(经理/总监)
上海市
专家级经验
全职员工
仅现场办公
学历未注明
软件工程
跨团队协作
团队管理
模型评估
云计算
LLM
模型部署
推理优化
AWS Bedrock
Qwen
AI 估算 · 80k–150k
该职位为AI工程负责人，需深厚技术背景和团队管理经验，市场稀缺，薪资水平较高，参考上海同类岗位及金融行业标准。
职位详情
关于这个职位
作为AI工程负责人，你将领导上海新成立的AI工程团队，负责全球模型策略，包括模型部署、推理优化、评估系统构建
你将组建并管理10-15人的团队，与全球团队协作，确保模型路由的安全性和成本优化
最低要求
具有大规模生产环境中部署和调优大型模型的深厚经验：推理优化、GPU容量规划，以及托管开源模型（GLM、DeepSeek、Qwen等）在云端和本地的能力
曾大规模构建或运行模型评估系统：基准设计、LLM-as-judge校准、模型升级回归门控
曾将工程团队从几个人发展到10人以上，包括设定并坚持招聘标准
能够将模型视为成本/能力权衡，并能用评估数据而非直觉来捍卫路由决策
流利的普通话和英语，能轻松与美欧亚时区的高级利益相关者协作
足够资深，能成为首位员工并设定标准：从第一天起负责可交付成果（基础架构建设）
工作职责
将团队从2-3名工程师扩展到10-15人，分为两个团队（模型基础和评估），设定招聘标准，与上海招聘团队一起组织面试，并决定团队的发展形态
拥有多样化的模型基础：在第三方云和本地推理上接入并运营开源模型，保持完整的供应商矩阵（通过Bedrock/Vertex/第一方的Anthropic
通过阿里云的GLM、DeepSeek和Kimi
自托管开源权重）
通过使模型基础成为可信的对冲，减少出口限制带来的模型供应风险，并为重要任务提供同等可行的区域可访问选项
按业务功能对模型进行基准测试，为用户提供“此任务用哪个模型”的明确答案，包括模型升级指导
构建使替换可证明的评估机制：共享评分器、校准的法官、评估数据的收割与整理循环，以及一个认证门，对每个代理的套件针对候选模型进行回放（通过自动升级，回归则固定）
负责模型路由和推理成本优化，从支出可见性（该办公室已掌握）到由评估证明安全的路由决策
与AI风险、采购、开发者体验和中国办公室领导合作，并从第一天起与全球AI工程负责人合作构建基础架构
AI 洞察
优缺点分析
优点
- 领导全球AI策略，技术影响力大，直接塑造公司核心竞争力
- 金融行业高薪酬与绩效奖金，行业领先
- 灵活的公司文化，如初创般的自由度与成熟平台的资源支持
- 与顶级技术人才共事，持续学习前沿AI技术
- 初创团队，需从零搭建一切，工作强度大，责任重
- 技术栈涉及多供应商、多模型，需频繁学习新工具
- 跨时区协作，可能需灵活调整工作时间
- 此职位适合经验丰富、渴望从零搭建技术团队并直接推动业务成果的AI工程领导者，能够应对高压和不确定性
缺点 / 挑战
暂无明显挑战项
角色解读
- 在Optiver内可向更高级的技术管理岗位发展，如AI副总裁或CTO线
- 积累金融行业AI实战经验后，可转型为其他顶级金融或科技公司的高级技术领导者
- 通过领导全球性AI项目，成为行业内有影响力的AI工程专家
- 负责搭建并领导上海AI工程团队，从初期几名成员扩展至10-15人，涵盖模型服务和评估两个职能模块
- 管理全球模型策略，包括模型部署、推理优化、路由决策和成本优化，确保模型替换的安全性
- 与全球AI工程、风险、采购等多团队协作，推动模型基础架构的建设和评估体系的建立
- 深厚的LLM生产经验，包括推理优化、GPU容量规划和开源模型托管
- 大规模模型评估系统构建经验，如基准设计、LLM-as-judge校准和回归门控
- 团队管理能力，能从零组建并带领工程团队成长
- 流利的中英文沟通能力，能与全球跨时区团队和高级利益相关者协作
申请策略
- 深入了解Optiver的业务和文化，强调对量化金融和AI结合的兴趣
- 准备一个简短的提案，阐述如何构建模型评估体系或优化模型路由，展示主动性
- 突出大规模LLM生产部署和优化案例，包括具体指标（如吞吐量、延迟、成本节省）
- 强调团队管理经验，如何从几人发展到10+人，并设定招聘标准
- 展示模型评估系统构建经历，如基准设计、自动化回归门控
- 体现跨团队协作和双语沟通能力，特别是与全球团队合作的项目
- 若缺乏金融行业背景，建议学习基本金融知识，如衍生品市场
- 熟悉Optiver使用的具体技术栈：AWS Bedrock、GLM、DeepSeek等
面试指南
- 使用STAR法则：描述情境、任务、行动和结果，突出量化成果
- 技术问题展示系统思维：从目标出发，权衡利弊，强调数据驱动决策
- 管理问题体现领导力：强调设定高标准、培养团队、推动结果
- 请描述你从零搭建并扩展一个AI工程团队的经验，包括招聘标准和组织架构
- 如何设计一个大规模的模型评估系统，确保模型升级的安全性？
- 如何平衡模型性能与推理成本？请给出一个具体例子
- 如何处理跨时区的团队协作和沟通挑战？
- 请谈谈你对当前LLM发展趋势的看法，以及如何选择适合业务的模型
职位点评
71
综合评分
高薪、前沿技术、管理挑战，但现场办公、跨时区协作，WLB一般。
更适合这类人
适合追求技术成长和薪资回报、能接受高强度工作、优先考虑职业发展的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展90
工作生活40
使命价值70
薪资福利
85较高
薪资水平高，福利丰厚，但未明确具体薪资范围，评估为较高但非顶级。
薪资信号未披露（AI估算：80K-150K/月）
福利待遇绩效奖金、全球利润池、每日早餐、午餐和零食、健身房会员、体育运动和休闲活动、每周按摩、社交活动
成长发展
90较高
处于AI前沿领域，技术挑战大，有导师制和个人发展机会，能积累顶级AI工程管理经验。
技术前沿前沿/新兴技术
技术栈LLM、GPU、模型部署、推理优化、模型评估、Anthropic、Bedrock、Vertex、GLM、DeepSeek、Qwen、Kimi
成长机会培训、导师制、个人发展机会
业务类型profit_center
工作生活
40较低
上海办公室现场办公，未有远程灵活性的描述，跨时区协作可能影响工作生活平衡。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
从事高影响力的AI工程，推动金融市场效率，但社会影响力中性。
行业发展稳定成熟行业
社会影响中性/一般
使命信号改善市场
创新程度积极采用新技术
Watch Jobs