施耐德
Senior AI Engineer
Senior AI Engineer
发布于 大约 7 小时前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
软件工程
Ai Agent
Langgraph
Llm
Pytorch
Rag
工业自动化
AI 估算 · 35k–65k
北京AI高级工程师，结合大厂和行业薪资水平，月薪范围合理。
职位详情
关于这个职位
该职位专注于将大语言模型与智能体技术应用于配电、能源及工业自动化场景，负责设计并落地工业级AI Agent系统，实现从人工操作向人机对话、全域自主的升级
您将主导AI Agent开发、模型微调与RAG工程化，并与工业系统深度集成，推动传统流程智能化
最低要求
本科及以上学历，计算机、人工智能、自动化、控制工程、电气工程等相关专业
具备3年以上AI算法或架构研发经验
深入理解AI Agent核心原理（如ReAct/PlanAct/CodeAct），熟练掌握Prompt Engineering与Function Calling技术
有LangChain/LangGraph、LlamaIndex等框架的实际开发与落地经验
精通Python，熟练使用PyTorch/TensorFlow等深度学习框架
熟悉LLaMA、Qwen、ChatGLM等主流开源大模型，具备RAG工程化实战经验
了解配电、微电网、储能、工业物联网或工控系统（如设备运维、生产管控）中至少一个领域的业务逻辑与数据特征
熟悉Linux开发环境，掌握Docker/Kubernetes等云原生技术
工作职责
AI Agent开发：根据架构师的整体架构设计，基于LangChain/LangGraph、AutoGen、deer-flow等主流框架，构建具备意图识别、记忆管理、工具调用及多Agent协同能力的智能体系统
工业场景大模型应用落地：结合电力、能源或工控系统的业务逻辑，开发能耗预测、设备故障诊断、光储充协同调度等核心AI算法与Agent工作流，实现从“人工操作”向“人机对话、全域自主”的升级
模型微调与RAG工程化：负责垂直领域大模型的微调（SFT/RLHF/DPO）与私有化部署
构建高质量的行业知识图谱与向量数据库，设计并优化检索增强生成（RAG）策略，解决工业文档解析、非结构化数据处理及模型幻觉问题
工业系统集成与工程化：推动AI Agent与底层工业系统（如EMS、SCADA、HMI等）的深度融合
熟悉Modbus、OPC UA、IEC104、MQTT等工业协议，解决高并发、实时性、工业可靠性及安全闭锁等关键工程问题
全生命周期管理与优化：主导AI模型与Agent服务的工程化落地，涵盖数据治理、训练、推理加速（量化/蒸馏）、容器化部署（Docker/K8s）及线上监控
建立端到端的Agent评测体系，持续迭代优化模型性能与业务指标
优先资格
有完整的LLM应用或AI Agent从0到1的端到端落地项目经验，有开源贡献或个人AI项目作品
具备大规模分布式训练经验（DeepSpeed/Megatron-LM），或在NeurIPS、ICLR等顶会发表过相关论文
AI 洞察
优缺点分析
优点
- 站在AI前沿技术浪潮（LLM+Agent），技能积累极具市场价值
- 施耐德作为巨头企业，平台稳定，资源丰富，项目影响力大
- 工业AI场景壁垒高，能积累稀缺的跨领域经验，提高职业竞争力
- 公司提供持续学习和认证机会，支持长期发展
- 工业场景对可靠性、实时性要求极高，工程复杂度大
- 技术栈广泛（从模型到工业协议），需要持续学习和适应
- 作为新兴方向，可参考的成熟案例较少，需要较强的独立探索能力
- 适合对AI Agent、大模型技术有浓厚兴趣，且愿意深入工业领域解决实际问题的资深工程师
- 需要较强的工程能力和跨领域学习能力
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕AI Agent和工业AI，成为领域内顶级专家
- 管理路线：从技术负责人逐步晋升为团队Leader或架构师，主导更大规模项目
- 行业专家路线：结合工业领域知识，转型为能源/自动化行业的AI解决方案专家
- 设计并实现基于大语言模型的AI Agent系统，用于配电、能源等工业场景的自动决策与控制
- 开发能耗预测、设备故障诊断等核心算法，并通过RAG技术优化模型输出质量
- 将AI Agent与SCADA、EMS等工业系统集成，解决高并发、实时性等工程问题
- 负责模型微调、部署和全生命周期管理，持续提升性能
- 精通Python和深度学习框架（PyTorch/TensorFlow），掌握LLM微调与RAG技术
- 熟悉LangChain/LangGraph等Agent框架，理解ReAct/PlanAct等核心原理
- 了解工业协议（Modbus、OPC UA等）和工业自动化领域知识
- 具备Docker/K8s云原生部署经验，能进行模型推理优化
申请策略
- 施耐德注重创新和可持续发展，可在面试中强调自己对技术影响力的理解
- 提前了解施耐德在能源管理、配电自动化方面的业务，展示行业理解
- 突出AI Agent从0到1的落地项目经验，包括框架使用、RAG搭建和工业集成
- 展示开源贡献或个人AI项目，体现技术深度和主动性
- 强调工业领域项目（如配电、能源）的相关经验，尤其是时序数据处理
- 列出掌握的关键技术栈：LangChain、PyTorch、Docker、K8s等
- 若缺乏工业经验，可学习Modbus、OPC UA等协议，了解EMS/SCADA系统
- 熟悉LangGraph或AutoGen等框架，动手实现一个简单的多Agent系统
面试指南
- STAR法则：情境-任务-行动-结果，重点阐述技术选型和解决的关键问题
- 对于可靠性问题，强调容错设计、冗余和监控，例如使用重试机制、人工审核环节
- 对于优化问题，结合具体数据说明实验过程和收益
- 请描述一个你使用LangChain构建AI Agent的项目，如何处理工具调用和记忆？
- 在工业场景中，如何保证AI Agent的实时性和可靠性？
- 你如何优化RAG以解决模型幻觉问题？
- 你有过分布式模型训练经验吗？请谈谈DeepSpeed的使用
- 如果你设计的Agent在SCADA系统中产生误操作，如何应对？
职位点评
76
综合评分
顶级AI技术栈，工业行业壁垒高，发展空间大，但北京现场办公且WLB不确定。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
更适合这类人
最适合追求技术深度和前沿发展的求职者，能接受一定的工作强度。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展92
工作生活60
使命价值85
薪资福利
70中等
薪资未在JD中明确，但施耐德作为跨国公司，福利体系完善，包括年终奖、补充医疗等，综合回报较好。
薪资信号未披露（AI估算：35K-65K/月）
福利待遇薪酬和福利、灵活的工作选择
成长发展
92较高
职位聚焦LLM、AI Agent等前沿技术，有明确的成长信号（持续学习、认证机会、晋升通道），技术含量极高。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、LangChain、LangGraph、RAG、PyTorch、Docker、Kubernetes
成长机会持续学习、认证、职业发展的机会
业务类型profit_center
工作生活
60中等
工作地点在北京，JD提到'灵活的工作选择'但未明确远程，通常现场办公为主。没有明确WLB信息，可能有一定强度。
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
85较高
能源管理和工业自动化属于可持续发展领域，施耐德强调使命和包容，对社会有积极影响。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号可持续发展、包容、多样性
创新程度积极采用新技术
施耐德 的其他在招职位
相似职位推荐
Watch Jobs