FAW-Volkswagen logo
一汽-大众汽车
AI/数据研发工程师

AI/数据研发工程师

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.0万 · AI 参考估算
高级经验
本科
全职员工仅现场办公AI算法
AI算法
Ai原生架构
Gpu调度
Rag
向量数据库
推理优化

值不值得投

75综合评分

综合评分 75

前沿AI原生平台岗位,技术成长强,薪资福利未披露,办公模式待确认

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

4.8万

比AI算法中位数高

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 160 个在招

市场机会

选择适中

成都 · AI算法 · 16 个在招

职位详情

关于这个职位

该岗位面向平台架构与开发组,负责现有平台向AI原生架构迁移,建设Agent开发编排、多模态数据Pipeline、统一推理服务平台及数据/AI能力产品化体系

适合具备LLM应用、Agent、数据工程、推理优化和平台化落地经验的复合型研发人才

最低要求

国内大学统招本科及以上学历,或已取得教育部留学服务中心认证的“学历学位认证书”的本科及以上学历留学生

具备2年以上相关工作经历
负责AI原生架构下Agent能力的算法设计与落地,主导Agent编排调度、多Agent协同、RAG与Function Calling等核心算法研发,推动Agent规模化落地
同时参与Agent效果评测体系建设,制定评测基准与优化策略,持续提升Agent效果与稳定性
要求5年以上算法研发经验,熟悉LLM应用架构、Agent框架与主流推理框架,有Agent/LLM应用从0到1落地经验,具备将算法能力工程化、规模化的实战能力
负责多模态Agentic Data能力的全链路建设,搭建覆盖文本、图像、音频、视频的采集、清洗、标注、向量化与检索增强Pipeline
打通"Agent使用→反馈→优化→再使用"的数据闭环,并将数据能力封装为可复用的产品化组件,持续释放数据价值
要求5年以上数据工程经验,熟悉RAG、向量数据库、Embedding与数据闭环技术,有大规模多模态数据Pipeline建设经验,具备数据产品化与资产运营意识
负责数据与AI能力的产品化输出与价值变现,将数据闭环沉淀的能力封装为标准化API、组件或工具链,对内支撑业务线快速复用,对外探索数据产品化路径
建立数据资产运营机制,持续挖掘数据价值
要求5年以上产品经验(其中2年以上AI/数据产品经验),既懂数据与AI技术又懂业务,有数据或AI能力产品化从0到1落地经验,具备跨团队协同与商业化探索能力
负责统一AI推理服务平台的建设与优化,支持多模型、多硬件弹性调度
引入量化、蒸馏、缓存、批处理等推理优化手段,建立成本监控与弹性扩缩容机制,在SLA保障下实现推理效率与成本的最优平衡
要求6年以上Infra或推理优化经验,熟悉GPU调度、主流推理框架与优化手段,有大规模推理平台建设经验,能用量化数据驱动成本与效率决策

工作职责

分阶段完成现有平台向AI原生架构的迁移

建设统一的Agent开发、编排、调度与运行时框架,支撑多Agent协同与规模化部署
建设覆盖多模态数据采集、清洗、标注、向量化、检索增强的全链路Pipeline
打通“Agent使用数据→反馈→模型/策略优化→再使用”的数据闭环
将数据能力封装为可对外复用的产品化组件
构建统一推理服务平台,支持多模型、多硬件的弹性调度
引入量化、蒸馏、缓存、批处理等推理优化手段
建立成本监控与弹性扩缩容机制,在SLA保障下持续压低单位推理成本
制定Agent开发规范、上线流程、效果评测基准与安全合规标准
建设自动化评测与回归测试能力,确保Agent在规模化扩展中质量可控、风险可管
将数据闭环中沉淀的能力封装为标准化API、组件或工具链,对内支撑各业务线快速复用,对外探索数据产品化输出路径
建立数据资产运营机制,持续挖掘数据价值

AI 洞察

优缺点分析

优点

  • 岗位覆盖Agent、RAG、多模态数据、推理优化和AI产品化,技术栈完整,有利于形成端到端AI平台能力
  • 参与现有平台向AI原生架构迁移,能积累从0到1落地和规模化推广经验
  • 数据闭环、标准化API和工具链建设具有较强的复用价值,便于沉淀可迁移的方法论
  • 业务场景与汽车制造和数字化平台结合,适合希望将AI技术落到真实产业场景的候选人
  • 任职要求跨度很大,同时覆盖算法、数据工程、产品化和Infra,对候选人的复合能力要求高

缺点 / 挑战

  • 需要在SLA保障下持续压低推理成本,技术优化与稳定性保障压力并存
  • Agent规模化落地涉及评测、安全合规和上线流程,工程治理复杂度较高

角色解读

  • 可向AI平台架构专家、LLM应用架构师、AI Infra负责人方向发展,主导企业级AI基础能力建设
  • 可发展为AI产品化与数据资产运营复合型人才,负责内部AI能力平台对外输出和商业化探索
  • 长期可晋升为技术专家、团队负责人或AI平台技术管理者,统筹Agent、数据、推理服务和安全评测体系
  • 负责将现有平台迁移到AI原生架构,设计Agent开发、编排、调度和运行时框架,支撑多Agent协同与规模化部署
  • 建设文本、图像、音频、视频等多模态数据Pipeline,覆盖采集、清洗、标注、向量化、检索增强和数据闭环
  • 构建统一推理服务平台,支持多模型、多硬件弹性调度,并通过量化、蒸馏、缓存、批处理等方式优化成本和SLA
  • 制定Agent开发规范、评测基准、上线流程和安全合规标准,并将能力封装为API、组件或工具链供业务复用
  • 需要深入理解LLM应用架构、Agent框架、RAG、Function Calling、多Agent协同和Agent效果评测体系
  • 需要具备大规模数据工程能力,熟悉多模态数据处理、向量数据库、Embedding、检索增强和数据闭环建设
  • 需要掌握AI Infra与推理优化能力,包括GPU调度、主流推理框架、量化、蒸馏、缓存、批处理和弹性扩缩容
  • 需要具备平台化、产品化和跨团队协同能力,能把算法和数据能力沉淀为标准化组件,并支撑业务线复用

申请策略

  • 面试前建议梳理目标岗位涉及的四类能力:Agent算法、多模态数据、推理平台、产品化输出,并准备对应案例
  • 关注汽车行业数字化转型和AI原生平台建设场景,准备如何把通用AI能力落到业务线复用中的思路
  • 重点突出Agent/LLM应用从0到1落地项目,说明架构设计、编排调度、RAG、Function Calling和效果评测的具体做法
  • 突出大规模数据Pipeline经验,尤其是文本、图像、音频、视频等多模态数据的采集、清洗、标注、向量化和检索增强链路
  • 强调推理服务平台建设经验,包括多模型多硬件调度、GPU资源治理、量化蒸馏、缓存批处理、弹性扩缩容和成本优化结果
  • 展示跨团队协同和能力产品化经验,说明如何将能力封装为API、组件或工具链,并推动业务线复用
  • 补强Agent工程化能力,熟悉主流Agent框架、RAG优化、Function Calling、多Agent协作和自动化评测方法
  • 提升AI Infra能力,重点学习推理框架、GPU调度、模型量化、蒸馏、KV Cache、批处理和SLA治理

面试指南

  • 项目类问题按“背景目标—架构方案—关键技术选择—量化结果—复盘改进”展开,重点说明个人主导部分
  • 技术设计类问题按“约束条件—方案对比—核心实现—风险治理—监控指标”回答,体现工程落地思维
  • 平台与产品化问题按“用户需求—能力抽象—API/组件设计—复用推广—运营机制”组织,突出业务价值
  • 请介绍一个你主导的Agent或LLM应用从0到1落地项目,包括架构设计、关键难点和最终效果
  • 多Agent协同系统中,如何设计编排调度、状态管理和失败恢复机制?
  • 如何建设覆盖文本、图像、音频、视频的多模态数据Pipeline,并保证数据质量和反馈闭环?
  • 在SLA约束下,如何通过量化、蒸馏、缓存、批处理和弹性扩缩容降低单位推理成本?
  • 如何制定Agent效果评测基准和上线流程,确保规模化扩展中的质量、安全和合规?

职位点评

薪资福利78
成长发展92
工作生活45
使命价值76

薪资福利

78中等

JD未披露薪资与福利信息,无法判断薪酬竞争力;岗位要求资深复合经验,通常对应较高专业价值,但具体回报需与招聘方确认。

薪资信号未披露(AI估算:3.5千–6.0万/月)

成长发展

92较高

岗位覆盖AI原生架构、Agent、RAG、多模态数据闭环、推理优化和AI产品化,技术范围广且强调从0到1与规模化落地,发展性很强。

技术前沿前沿/新兴技术
技术栈AI原生架构、Agent、多Agent协同、RAG、Function Calling、多模态数据、向量数据库、Embedding、推理服务平台、GPU调度、量化、蒸馏、缓存、批处理
业务类型profit_center

工作生活

45较低

JD未明确办公模式、弹性工时或加班情况,也未说明具体办公地点类型,生活化动机满足程度难以判断。

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

76中等

岗位推动平台向AI原生架构迁移,并探索数据产品化输出路径,具有较强的技术创新与业务价值导向;但JD未直接描述社会使命或公共价值。

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