中国电信
AI研发工程师（南京）
AI研发工程师（南京）
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人工智能
人工智能
Mcp
Rag
Sft/Lora
Tool Calling
Vllm
多模态
大语言模型
强化学习
值不值得投
薪资怎么样
2.9万
比人工智能中位数高
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 2290 个在招 · 其中人工智能 约 110 个
市场机会
选择适中
南京 · 人工智能 · 21 个在招
职位详情
关于这个职位
该岗位面向真实业务场景做AI能力研发，是集大模型训练/后训练、智能体（Agent）系统研发、推理部署与平台工程化于一体的综合型AI研发岗
你将参与从数据构建、SFT/LoRA微调、评测优化到Agent Runtime、工具编排、多模态能力落地的完整链路，推动AI能力从算法验证走向生产级规模应用
最低要求
重点院校本科及以上学历，计算机、软硬件开发、人工智能、电子信息、自动化、数学等相关专业，具备扎实的计算机及AI基础知识
熟悉机器学习、深度学习及大模型基本原理，理解 Transformer、Attention、大模型训练与推理机制
具备良好的算法分析、问题定位和工程实现能力
至少在以下一个方向具备较深入的项目或研发经验：大语言模型/多模态模型训练、微调及后训练
Agent、RAG、Tool Calling、MCP、智能体Runtime等智能体技术
NLP、语音、计算机视觉、多模态等AI算法
大模型推理部署、性能优化及AI平台工程
熟练掌握Python，Go、Java中至少一种工程开发语言
熟悉常用数据结构、算法、网络编程及 Linux 开发环境
熟悉主流大模型及Agent开发生态，对 Qwen、DeepSeek、Llama、OpenAI/Claude 等模型及 Function Calling、Structured Output、RAG、MCP 等技术有实际使用经验
有 LangGraph、OpenAI Agents SDK、Dify、HiAgent 等智能体框架实践经验者优先
熟悉大模型服务化和推理部署者优先，包括 vLLM、SGLang、TensorRT-LLM、TGI 等
有GPU多卡训练/推理、模型量化、推理加速或性能调优经验者优先
熟悉Docker、Kubernetes、微服务等工程技术，有高并发AI服务、模型服务平台、Agent平台或云原生AI系统研发经验者优先
对AI技术具有持续的兴趣和学习能力，能够快速跟进大模型、Agent、多模态等技术发展
具备较强的问题分析能力、工程落地能力和团队协作能力
工作职责
大模型及AI算法研发，面向实际业务场景，负责大语言模型、多模态模型及相关AI算法的技术选型、开发、训练、评测、优化与落地，包括自然语言、视觉、语音、多模态等方向
参与模型能力建设及业务智能化升级
LLM模型训练与后训练，负责大语言模型及垂类模型的数据构建、指令微调和后训练工作，包括但不限于数据清洗与合成、SFT、LoRA/QLoRA、偏好优化、强化学习等技术
建立模型评测体系，持续提升模型在意图理解、Tool Calling、推理、多轮对话及垂直领域任务上的效果
智能体（Agent）研发，负责基于大模型的智能体系统研发，包括 Agent Loop、任务规划与推理、Tool/Function Calling、Skill、RAG、Memory、上下文管理、多智能体协作等核心能力，探索和应用 MCP、A2A 等智能体生态协议，提升智能体复杂任务理解与自主执行能力
Agent Runtime及工程化能力建设，参与智能体运行时及AI基础平台研发，负责模型接入与路由、工具编排、上下文管理、模型/Agent调用链路、流式交互、沙箱执行、Guardrail、安全控制、Trace/日志、评测与可观测等能力建设，支撑智能体规模化生产应用
多模态与智能终端能力研发，根据业务需要参与语音、视觉及多模态AI能力研发，包括 ASR/TTS、声纹、语义理解、视觉理解、AIGC、数字人、具身智能等方向，并推动相关能力在智能终端、机器人及云边端协同场景中的应用
AI能力平台化与业务落地，负责AI算法、模型及智能体能力的汇聚、封装、API/SDK开放、路由调度和服务化建设，参与业务场景方案设计、技术攻关、系统联调及上线优化，推动AI能力从算法验证走向生产级、规模化应用
优先资格
以下经验为加分项：-有大模型从数据构建、训练/微调、评测、部署、线上优化完整项目经验
有Agent Runtime、Coding Agent、Deep Research Agent、智能助手等复杂智能体研发经验
有Tool Calling、MCP Server/Client、A2A、RAG、长期记忆、多智能体协作等实际项目经验
有大规模训练、分布式训练、FP8/BF16、LoRA/QLoRA、DPO/GRPO等模型训练或后训练经验
有模型量化、蒸馏、推理加速以及 GPU/NPU 性能优化经验
有智能音箱、智能屏、机器人、手机、车载等智能终端AI研发及端侧模型部署经验
有ASR/TTS、声纹、语义VAD、数字人、视觉理解、多模态交互等研发经验
有开源项目贡献、AI竞赛、论文或高质量技术项目经验
AI 洞察
优缺点分析
优点
- 技术栈覆盖面广且处于前沿，LLM后训练、Agent Runtime、多模态三条主线都能接触到，技能积累含金量高
- 岗位强调从算法验证到生产级落地的完整链路，有助于建立端到端的工程能力而非只做单点实验
- 业务场景明确，成果有真实落地出口，不易停留在Demo阶段
- 职位位于南京，本地AI研发岗位中技术方向较为领先
- 职责横跨算法、训练、Agent系统与平台工程，广度大，需要在至少一个方向有足够深度才能站稳
- 适合有1-3年以上AI/算法或后端工程经验、在LLM微调、Agent开发或推理部署中至少一个方向有实战项目，并愿意在工程落地上深耕的求职者
缺点 / 挑战
- 智能体工程化涉及沙箱、Guardrail、可观测等复杂系统问题，排障与调优成本较高
- 大模型技术迭代快，需要持续跟进新模型、新协议与新框架，学习压力不小
角色解读
- 可沿技术纵深发展为大模型训练/后训练或Agent系统方向的专家型工程师，深耕算法与系统两侧
- 也可转向AI平台与架构方向，承担模型服务平台、Agent基础设施的技术负责人角色
- 业务侧积累充分后可向AI解决方案、技术管理或产品化方向延伸，参与业务智能化整体规划
- 负责大语言模型与多模态模型的训练、微调与后训练，包括数据构建、SFT、LoRA/QLoRA、偏好优化与强化学习，并建立评测体系持续优化效果
- 研发基于大模型的智能体系统，覆盖Agent Loop、任务规划、Tool Calling、RAG、Memory、多智能体协作及MCP/A2A等生态协议
- 建设Agent Runtime与AI基础平台，做模型接入路由、工具编排、流式交互、沙箱、Guardrail、Trace与可观测等工程能力
- 推动模型与智能体能力平台化封装成API/SDK，并在语音视觉多模态、智能终端、云边端协同等场景中落地
- 扎实的机器学习与深度学习基础，理解Transformer、Attention与大模型训练/推理机制
- 熟练Python，并掌握Go或Java中至少一种，熟悉数据结构、网络编程与Linux开发环境
- 熟悉主流大模型（Qwen、DeepSeek、Llama、OpenAI/Claude）及Function Calling、Structured Output、RAG、MCP等生态，有LangGraph、Dify等框架实践更佳
- 具备推理部署与工程化能力，如vLLM/SGLang/TensorRT-LLM、GPU多卡训练、模型量化、Docker与Kubernetes
申请策略
- 投递前了解中国电信在AI与智能体方向的业务布局与对外产品，面试中便于把个人项目与业务场景对接
- 简历中突出「可落地」而非纯研究导向，该岗位明显偏工程化与平台化
- 有开源贡献、竞赛或论文可作为差异化亮点放在显眼位置
- 重点写清一个完整的大模型项目链路：数据构建→训练/微调→评测→部署→线上优化，说明你负责的环节与量化收益
- Agent相关经历要具体到Agent Loop、Tool Calling、RAG、Memory等模块，写清复杂任务的完成率或稳定性提升
- 列出实际使用过的模型与框架，如Qwen/DeepSeek、LangGraph、vLLM、SGLang，并说明使用深度而非仅了解
- 工程能力方面突出Python之外的Go/Java、Docker/K8s、高并发服务或平台化建设的证据
- 补齐推理部署与性能优化实践，如用vLLM或SGLang部署开源模型并做量化、并发压测与调优
面试指南
- 项目类问题用「背景-目标-方案选型-我的动作-量化结果-复盘」六段式回答，务必给出对比基线和具体指标
- 技术选型类问题先讲约束条件（数据量、算力、延迟、成本），再说明为什么选这个方案，最后补充替代方案与放弃理由
- 系统设计类问题先画清链路分层（模型层、编排层、运行时层、可观测层），再逐层说明关键权衡与失败兜底
- 请介绍一个你从数据构建到上线完整做过的大模型项目，各环节你具体做了什么、效果如何衡量？你们是如何做SFT与偏好优化的？LoRA和全参微调在什么场景下选择，遇到过哪些坑？你设计的Agent系统如何处理工具调用失败、上下文超长和多轮任务规划？如果要把模型推理延迟降低一半，你会从哪些层面入手？在Agent Runtime中你会如何设计Guardrail、沙箱与可观测体系？
- 复习Transformer、Attention、SFT/LoRA/DPO/GRPO的基本原理与适用差异，能讲清训练与推理机制的工程含义
- 准备1-2个可深挖的项目案例，把数据、指标、踩坑和优化过程都梳理成可讲述的细节
- 提前了解MCP、A2A等智能体生态协议以及vLLM、SGLang等推理框架的关键特性，面试中能体现技术跟进速度
Watch Jobs