德赛西威
AI应用开发工程师（2027届-南京）
AI应用开发工程师（2027届-南京）
发布于 10 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
Agent开发
Llamaindex
Prompt工程
Rag
多智能体
大模型
值不值得投
薪资怎么样
2.0万
与人工智能中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
14 个在招
市场机会
选择适中
南京 · 人工智能 · 22 个在招
职位详情
关于这个职位
面向2027届硕士毕业生的大模型应用开发岗位，负责把主流大模型与Agent框架落地到车载业务场景中
你将参与RAG、Prompt工程、Function Calling、多智能体与工作流编排等应用层开发，并可选择车载智能交互、智能进入感知算法或智驾上层智能体三个方向之一
最低要求
硕士及以上学历，计算机、人工智能、软件工程、电子信息、自动化、数学等相关专业，基础扎实
熟练掌握Python编程语言，了解C++优先，熟悉Linux开发环境，具备规范的代码编写能力与工程落地思维
掌握大模型基础原理，熟悉Prompt工程、RAG、Agent开发基本流程，了解LangChain、LlamaIndex等主流应用框架
具备良好的业务理解、方案设计与问题排查能力，能够独立完成AI应用模块开发、调试与迭代优化
学习能力强，具备良好的沟通协作能力、责任心与抗压能力，愿意深耕AI业务应用落地，跟进前沿技术并实践落地
工作职责
基于主流大模型能力及Agent开发框架，结合各业务场景完成AI应用方案设计、开发、集成与落地迭代，将业务需求转化为标准化AI技术实现方案
负责RAG检索增强、Prompt工程、Function Calling工具调用、多智能体协同、工作流编排等应用层能力开发，持续优化模型推理效果、响应速度与场景适配性
参与AI应用测试、运维与效果评估，搭建应用层评测体系、安全沙盒与权限管控能力，保障业务系统稳定运行与持续迭代
跟进大模型前沿应用技术，沉淀业务落地最佳实践，撰写规范的技术文档、测试报告，支撑项目高效交付
方向一：车载智能交互方向——负责车载座舱大模型交互、多模态AIGC及座舱AI Agent应用开发，优化车载智能交互体验，支撑车载AI产品落地运维
方向二：智能进入产品定位和感知算法开发方向——负责智能进入场景的产品定义、方案设计与感知算法开发，基于视觉、毫米波雷达实现人车感知、身份识别与行为判断，支撑无感进入、智能迎宾等功能落地迭代
方向三：智驾上层智能体应用方向——结合智能驾驶业务场景与底层算法能力，负责智驾上层AI智能体的方案开发、场景适配与联调优化，提升智驾系统智能化能力
优先资格
了解C++者优先
AI 洞察
优缺点分析
优点
- 直接上手大模型、Agent、RAG等当前最热的应用层技术，技术栈与行业趋势高度一致
- 公司提供三条明确的技术方向供选择，便于结合个人兴趣做长期深耕
- 届校招岗位方向清晰，招聘数量为4人，团队处于扩编状态
- 车载场景对稳定性、时延与安全性要求苛刻，应用层调优往往比通用互联网场景更复杂
- JD中提及抗压能力，项目交付节奏可能较紧凑，需要做好心理准备
缺点 / 挑战
- 车载场景是AI落地的优质载体，项目具备真实量产需求，工程经验含金量较高
- 岗位同时要求算法理解与工程落地，需要持续跟进快速演进的大模型生态，学习压力不小
- 适合对大模型应用落地有真实兴趣、希望把AI技术做进实体产品的硕士应届生，尤其适合愿意在智能汽车赛道长期深耕、动手能力强且能承受交付压力的同学
角色解读
- 大模型应用开发处于快速迭代期，1-3年可成长为能独立负责场景落地的AI应用工程师，积累RAG、Agent、评测体系等完整工程经验
- 随着车载AI产品量产，可向AI应用架构师、算法与工程复合型技术专家方向发展，或转向AI产品与解决方案岗位
- 三个业务方向（座舱交互、智能进入、智驾智能体）都处于智能汽车主赛道，技术沉淀具备较强的行业迁移性
- 围绕主流大模型与Agent框架，把业务需求拆解成可落地的AI应用方案，并完成开发、集成与迭代
- 具体包括RAG检索增强、Prompt工程、Function Calling工具调用、多智能体协同与工作流编排等应用层能力建设，并持续优化推理效果与响应速度
- 同时参与AI应用的测试、运维与效果评估，搭建评测体系、安全沙盒与权限管控，保障线上稳定运行
- 入职后可选择车载智能交互、智能进入感知算法、智驾上层智能体三个方向之一深入
- 扎实的Python工程能力是基础，需熟悉Linux开发环境与规范编码，了解C++是加分项
- 需要理解大模型基本原理，掌握Prompt工程、RAG与Agent开发流程，熟悉LangChain、LlamaIndex等框架
- 还要具备业务理解与方案设计能力，能独立完成模块开发、调试与问题排查
- 方向二涉及视觉与毫米波雷达感知算法，方向三涉及智驾场景联调，需要较强的跨团队沟通能力
申请策略
- 投递时明确表达对三个方向中哪一个更感兴趣，并结合自身项目给出理由，会让匹配度更清晰
- 提前了解德赛西威在智能座舱与智能驾驶领域的产品线，面试中能结合具体业务场景讨论AI落地价值是重要加分项
- 重点呈现基于大模型的完整项目：从需求分析到方案设计、开发集成、效果评测的全链路，而非只写调用了哪个API
- 量化RAG或Agent项目的效果指标，如召回准确率提升、响应时延下降、评测集通过率等
- 突出Python工程能力与代码规范，可附上GitHub或开源贡献链接
- 有C++、Linux、嵌入式或ROS相关经历务必写明
- 如有视觉、毫米波雷达、多模态或智能驾驶相关课程/竞赛/论文，针对方向二、方向三单独强调
- 系统补强LangChain、LlamaIndex等框架的实战能力，能讲清Agent的工具调用、记忆管理、多智能体协同与工作流编排原理
面试指南
- 项目类问题用STAR结构：先说清业务背景与约束条件，再讲方案取舍（为什么选RAG而不是微调、为什么用这个框架），最后给出量化结果与复盘反思
- 技术方案类问题先讲整体架构与关键模块，再逐层深入到你踩过的具体问题和解决办法，体现工程落地思维而非概念罗列
- 场景设计类问题先明确约束（算力、时延、安全、数据隐私），再给出分阶段方案与评测指标，最后说明如何验证效果
- 请介绍一个你做过的大模型应用项目，说明业务问题、方案选型与最终效果
- 你如何设计一个RAG系统？在召回不准或答案幻觉时你会怎么排查和优化？
- Prompt工程你有哪些实践方法？如何做系统化的Prompt评测与迭代？
- Agent的工具调用与多智能体协同你是怎么理解并实现的？遇到过哪些坑？
- 如果要把大模型能力放到车载座舱里，端侧算力受限、响应时延要求高，你会怎么设计？
Watch Jobs