石头科技
后端开发工程师（AI应用方向）
后端开发工程师（AI应用方向）
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后端开发
后端开发
Rag
向量数据库
值不值得投
71综合评分
综合评分 71
AI应用后端方向，技术栈现代，RAG/Agent落地机会多，薪资福利与WLB信息未披露。
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，方便横向比较。
薪资怎么样
3.3万
比后端开发中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
24 个在招
市场机会
选择面较广
上海 · 后端开发 · 约 310 个在招
职位详情
关于这个职位
该岗位负责石头科技AI应用方向的后端研发，围绕RAG知识库、AI应用接口、Web提效工具与AIGC平台进行架构设计、开发与性能调优，同时承担云原生部署、监控告警和CI/CD流程建设
适合有Python后端经验、希望深入大模型应用落地的工程师
最低要求
教育背景：本科及以上学历，计算机或相关专业，具备3年以上后端研发经验，有成熟的商业化系统落地经历
核心编程与工程化能力：精通Python语言，熟练使用FastAPI、Django或Flask等主流框架
具备极强的代码工程化能力（包括高内聚低耦合的API设计、严格的代码规范、完善的单元测试与微服务治理经验）
熟悉大模型应用开发链路，对RAG底层逻辑（如向量数据库使用、Chunking策略、召回排序等）有实际工程落地经验
了解LangChain等相关框架的设计思想优先
云服务与基础设施：具备扎实的Linux系统基础，熟练掌握AWS或阿里云等云产品的实操配置与性能调优
熟练掌握Docker、Kubernetes等容器化技术
具备自驱力，良好的团队协作能力，主动探究和解决问题的能力
工作职责
RAG知识库后端开发：负责基于RAG（检索增强生成）架构的知识库系统后端功能开发与性能调优，保障高并发场景下文档解析、向量存储、混合检索与生成链路的稳定性与低延迟
AI应用后端建设：主导AI应用的后端架构设计与接口开发，实现对话状态管理、工具调用等各项功能
Web端工具与AIGC平台支撑：负责团队内部及业务侧各类Web端提效工具、AIGC生产平台的后端架构搭建、接口开发与日常维护，确保系统的高可用与可扩展性
云原生部署与运维保障：负责云平台上进行应用服务的部署、弹性扩缩容、监控告警配置与日常实操运维
规范团队的CI/CD流程
优先资格
经历过Agent技术范式的演进，已将Vibe Coding（如深度使用Cursor、Roo Code、Claude Code等AI工具链）融入日常核心工作流，能利用自然语言与AI智能体协同大幅提升代码交付效率者优先
AI 洞察
优缺点分析
优点
- 技术栈前沿，RAG、Agent、AIGC平台均有实际落地场景，有利于积累AI应用后端经验
- 岗位覆盖后端架构、云原生部署、监控运维和CI/CD，工程链路完整
- 公司有成熟商业化产品场景，AI应用有机会服务真实业务
- JD鼓励使用Cursor、Claude Code等AI工具链，适合喜欢提效实践的工程师
- 既要负责AI应用开发，也要维护Web提效工具和线上运维，责任面较广
- RAG与Agent技术迭代快，需要持续学习并快速验证新方案
- 适合有Python后端经验、希望深入AI应用落地、能主动使用AI工具并承担全链路工程责任的工程师
缺点 / 挑战
- 要求3年以上后端经验且有商业化系统落地经历，工程化门槛较高
角色解读
- 可沿AI应用后端方向成长为架构师或技术专家，深入RAG、Agent与AIGC平台建设
- 积累云原生、CI/CD和全链路工程经验后，可转向AI平台负责人或后端团队管理岗位
- 在业务提效工具与AIGC生产平台之间轮转，有机会形成“后端工程+AI应用”的复合竞争力
- 负责RAG知识库系统的后端功能开发与性能调优，保障文档解析、向量存储、混合检索与生成链路的稳定低延迟
- 主导AI应用后端架构设计与接口开发，实现对话状态管理、工具调用等功能
- 搭建和维护团队内部及业务侧的Web提效工具、AIGC生产平台后端，保证高可用与可扩展
- 负责云平台部署、弹性扩缩容、监控告警与日常运维，并规范团队CI/CD流程
- 精通Python，熟练使用FastAPI、Django或Flask等主流后端框架
- 理解RAG底层逻辑，具备向量数据库、Chunking策略、召回排序等实际落地经验
- 掌握Linux、AWS或阿里云、Docker、Kubernetes等云原生基础设施
- 具备较强的工程化能力，包括API设计、代码规范、单元测试与微服务治理
申请策略
- 投递时可在简历或沟通中说明对石头科技AI应用与内部提效平台方向的理解
- 提前确认上海具体办公地点与到岗要求，并展示Vibe Coding等AI工具链实践
- 重点突出Python后端项目，写明FastAPI、Django或Flask的使用深度与架构职责
- 用指标量化RAG、向量数据库、混合检索、召回排序等落地经验
- 展示Docker、Kubernetes、AWS或阿里云、CI/CD和监控告警的实操案例
- 体现微服务治理、单元测试、代码规范和高内聚低耦合的API设计能力
- 补强RAG全链路知识，包括Embedding、Chunking、混合检索、Rerank与效果评估
- 熟悉LangChain及Agent工具调用、对话状态管理，准备可演示的项目案例
面试指南
- 用STAR结构讲清项目背景、架构方案、个人职责和量化结果
- 技术选型题先给结论，再对比备选方案，说明权衡依据
- 性能与故障题按“现象—定位—根因—修复—复盘”组织回答
- 请介绍一个你主导的RAG知识库项目，如何做文档解析、向量存储、混合检索和性能优化？
- 如何设计AI应用的对话状态管理和工具调用接口？
- 向量数据库如何选型？Chunking策略和召回排序如何评估与调优？
- 你如何用Kubernetes做弹性扩缩容、监控告警和CI/CD？
- 你日常如何使用Cursor、Claude Code等AI工具提升代码交付效率？
职位点评
薪资福利65
成长发展86
工作生活58
使命价值72
薪资福利
65中等
JD未披露薪资与福利信息，补偿性动机难以直接判断；但岗位技能门槛较高，预计薪资处于市场水准。
薪资信号未披露（AI估算：2.5千–4.0万/月）
成长发展
86较高
岗位覆盖RAG、Agent、AIGC平台与云原生，技术栈前沿且工程实践完整，有利于积累AI应用后端经验。
技术前沿前沿/新兴技术
技术栈Python、FastAPI、Django、Flask、RAG、LangChain、向量数据库、Docker、Kubernetes、AWS、阿里云、CI/CD、Agent、AIGC、Vibe Coding
业务类型ambiguous
工作生活
58较低
JD未提及办公模式、弹性或加班情况，生活化动机信息不足，需在面试中确认实际工作节奏与通勤安排。
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
72中等
岗位聚焦AI应用与内部提效平台，积极采用RAG、Agent等新技术，但JD未体现明确的社会使命或行业愿景。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs