德赛西威
AI智能体开发工程师（2027届-自动驾驶方向-上海）
AI智能体开发工程师（2027届-自动驾驶方向-上海）
发布于 7 天前普通员工/个人贡献者
全职员工仅现场办公自动驾驶
自动驾驶
Ai Agent
Langgraph
Rag
Vla
Vllm
Vlm
代码大模型
大模型
值不值得投
74综合评分
综合评分 74
AI Agent+自动驾驶双前沿方向校招岗，技术成长空间大，薪资与WLB信息JD未披露
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，方便比较职业起点。
薪资怎么样
2.8万
比自动驾驶中位数高
发布情况
正常在招 · 7 天前发布
公司情况
这家公司招聘很活跃
18 个在招 · 其中自动驾驶 2 个
市场机会
选择面较广
上海 · 自动驾驶 · 约 200 个在招
职位详情
关于这个职位
面向2027届校招的AI智能体开发岗位，负责端到端自动驾驶AI Agent系统架构设计，搭建基于VLA/VLM与工具调用的多模态智能体，并深度定制AI Coding工具链与RAG代码知识库
工作聚焦智驾研发效能智能化，涉及大模型推理加速、多智能体协同与代码大模型私有化落地
最低要求
硕士及以上学历，计算机、人工智能、自动化、软件工程等相关专业，扎实掌握大模型、AI智能体相关技术原理
精通Python开发，熟悉Docker、K8s等容器化部署技术，熟练掌握vLLM、llama.cpp、SGLang等推理框架，具备量化、投机解码等推理加速与框架定制优化经验
深入理解LangChain、LangGraph、AutoGen等Agent框架底层原理，具备复杂工作流编排、自定义智能体架构设计、多智能体协同开发落地实战经验
熟悉Qwen3-Coder、DeepSeek-Coder等代码大模型的微调、部署与应用优化，能够基于业务代码库搭建私有化AI Coding辅助智能体平台
具备优秀的架构设计与技术文档输出能力，跨部门沟通协作能力突出，具备技术分享、团队赋能与技术规模化落地推进能力
工作职责
负责端到端自动驾驶AI Agent系统架构设计与迭代，主导搭建基于VLA/VLM+工具调用的多模态智能体架构，涵盖感知数据挖掘、场景智能生成、代码辅助生成、问题智能诊断等多类智驾研发智能体能力
深耕自动驾驶研发效能智能化，深度定制AI Coding工具链，基于主流智能编程框架打造适配C++/Python智驾代码库的私有化代码生成Agent，实现ROS节点模板生成、规控算法代码补全、单元测试自动生成等工程赋能能力
构建面向自动驾驶研发场景的RAG代码知识库，整合Milvus/Faiss等向量数据库，实现代码语义检索与工程知识增强，持续提升大模型在复杂智驾工程场景下的代码理解、推理与生成准确率
跟进AI Agent、代码大模型前沿技术，结合自动驾驶数据闭环、影子测试、OTA迭代等业务体系，推动智能体技术在智驾研发全流程的规模化落地与持续迭代
优先资格
了解自动驾驶全栈业务体系，熟悉智驾数据闭环、影子模式、OTA迭代等工程流程，具备智驾行业业务理解能力者优先
AI 洞察
优缺点分析
优点
- 岗位处在AI Agent与自动驾驶两大热门方向的交叉点，技术前沿性强
- 工作覆盖多模态智能体、RAG、推理加速等完整大模型工程栈，技能积累全面
- 面向智驾研发全流程的规模化落地，成果可见度高，工程价值直接
- 智能体技术在智驾工程场景落地仍处探索期，需持续应对技术不确定性
- 适合有扎实大模型工程能力、对自动驾驶技术有热情、乐于技术分享与跨部门协作的校招硕士毕业生
缺点 / 挑战
- 技术栈要求覆盖面广且深，从推理框架到Agent框架均需实战能力，学习压力大
- 需要理解自动驾驶全栈业务，跨领域知识门槛较高
角色解读
- 从智能体研发工程师成长为智驾AI平台的核心架构师，主导智能体技术体系建设
- 深耕自动驾驶与大模型交叉领域，向AI Infra或代码大模型方向纵深发展
- 积累技术分享与团队赋能经验后，可向技术管理或跨部门技术负责人方向发展
- 设计并迭代端到端自动驾驶AI Agent系统架构，搭建VLA/VLM+工具调用的多模态智能体
- 定制AI Coding工具链，打造适配C++/Python智驾代码库的私有化代码生成Agent
- 构建RAG代码知识库，整合Milvus/Faiss等向量数据库实现代码语义检索
- 跟进AI Agent与代码大模型前沿技术，推动智能体在智驾研发全流程落地
- 扎实的大模型与AI智能体技术原理基础，精通Python开发
- 熟悉vLLM、llama.cpp、SGLang等推理框架，具备推理加速与框架定制优化经验
- 深入理解LangChain、LangGraph、AutoGen等Agent框架，有多智能体协同开发实战经验
- 熟悉代码大模型的微调、部署与应用优化，掌握Docker、K8s容器化部署
申请策略
- 投递前研读该公司智能驾驶业务的公开资料，理解其数据闭环与研发体系
- 面试时可主动谈及对AI Coding工具链在工程团队落地的思考，展现业务理解
- 突出Agent框架（LangChain/LangGraph/AutoGen）的实际项目与多智能体协同经验
- 展示vLLM等推理框架的加速优化、量化或投机解码相关实践
- 强调代码大模型微调部署或AI Coding工具开发的经历
- 若有自动驾驶、ROS或数据闭环相关项目，务必单独呈现
- 提前上手vLLM、SGLang的部署与定制优化，形成可讲述的案例
- 复现一套基于RAG的代码知识库项目，理解Milvus/Faiss的检索工程细节
面试指南
- 项目类问题按「背景-方案-难点-量化结果」结构回答，突出个人贡献与技术决策
- 原理类问题先讲核心机制，再结合自己动手实践的具体细节佐证
- 业务理解类问题诚实说明已知与未知，展示快速学习的方法与意愿
- 请介绍你使用LangChain/LangGraph搭建智能体系统的经历，如何设计工作流编排？
- vLLM推理加速中量化与投机解码的原理是什么？你在项目中如何应用？
- 如何为一个大型C++/Python代码库构建RAG代码知识库？检索准确率如何提升？
- 多智能体协同开发中遇到过哪些难点，如何解决？
- 你对自动驾驶数据闭环和影子模式的工程流程了解多少？
职位点评
薪资福利65
成长发展88
工作生活60
使命价值80
薪资福利
65中等
JD未披露薪资与福利信息，仅说明招聘数量，薪酬待遇需面试时与招聘方确认。
薪资信号未披露（AI估算：2.0千–3.5万/月）
成长发展
88较高
岗位处于AI Agent与自动驾驶交叉前沿，技术栈覆盖推理加速、多智能体、RAG等热门方向，成长空间与技术积累价值突出。
技术前沿前沿/新兴技术
技术栈AI Agent、VLA、VLM、LangChain、LangGraph、AutoGen、vLLM、RAG、Milvus、Qwen3-Coder、DeepSeek-Coder
业务类型cost_center
工作生活
60中等
JD未提及办公模式与WLB相关信息，无法判断工作强度，办公地点类型也未说明。
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
80较高
自动驾驶智能化属于高速发展的技术赛道，推动研发效能提升具有较高行业价值，但JD未表述使命导向内容。
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