埃森哲
AI 全栈工程师（AI Agent 方向）
AI 全栈工程师（AI Agent 方向）
发布于 大约 18 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
软件工程
Agentscope
Ai Agent
Langgraph
Rag
Google-Adk
AI 估算 · 20k–35k
上海AI全栈工程师，需掌握前沿AI技术栈，市场紧缺，薪资竞争力强，咨询公司通常13薪。
职位详情
关于这个职位
该职位是埃森哲的AI全栈工程师，专注于AI Agent和RAG系统的工程化开发
你将负责从0到1构建AI产品，涵盖架构设计、后端开发、部署运维等全流程
适合有3年以上经验、熟悉LangChain/LangGraph等工具的全栈开发者，能深入参与前沿AI技术的落地应用
最低要求
本科及以上学历，计算机/人工智能等相关专业，3年及以上AI相关或全栈开发经验，有AI产品落地经验优先
精通AI Agent工程化开发：熟练使用LangGraph/LangChain/AgentScope/Google-ADK，具备工作流编排、工具链开发、多Agent协作及对话状态管理的落地经验
具备扎实的RAG与上下文工程能力：熟悉文档解析、向量数据库（Milvus/FAISS等）、多路检索、Reranker优化，掌握Query Rewrite、动态Prompt、对话历史压缩等优化手段
熟练掌握大模型工程化技术：提示词工程、多模型调度（Azure OpenAI/通义千问等）、流式输出，了解模型微调优先
后端开发能力：精通Python（FastAPI优先），熟悉异步编程、微服务架构
了解Spring AI/Spring Boot者优先
熟悉前端开发基础（Vue/React）、容器化部署（Docker/K8s）及CI/CD流程，能独立完成项目全流程交付
具备良好的需求拆解与问题排查能力，关注AI前沿技术，能推动业务场景的技术创新与优化
工作职责
负责AI产品从0到1全流程落地，聚焦AI Agent与RAG系统的工程化开发，践行“工程化驾驭大模型”的Harness Engineer理念，支撑业务场景智能化升级
主导AI Agent架构设计与开发：基于LangGraph/LangChain/AgentScope/Google-ADK实现工作流编排、工具链开发、多Agent协作及Human-in-the-Loop交互，完成复杂任务自动化与智能决策落地
构建并优化端到端RAG系统：负责文档解析、分块、向量化、多路检索、重排序全流程设计，结合上下文工程（Query Rewrite、动态Prompt、对话历史管理）提升大模型推理质量
实现大模型工程化落地：完成多模型集成调度、流式输出、提示词工程优化，将AI能力与业务场景深度融合
搭建高可用后端服务：基于Python（FastAPI/Flask）或Go（Gin）开发API与业务逻辑层，精通异步编程与微服务架构，保障系统稳定性与性能
负责项目部署运维与架构优化：基于Docker/K8s完成容器化部署，搭建CI/CD流程，保障项目高效迭代与稳定运行
对接业务团队，拆解需求并转化为技术方案，参与技术选型与架构优化，沉淀最佳实践并推动团队技术能力提升
AI 洞察
优缺点分析
优点
- 前沿AI技术栈（Agent/RAG），技能稀缺性强，市场价值高
- 埃森哲作为跨国咨询公司，项目多样，能接触不同行业场景
- 全流程开发经验，从架构到部署，综合能力提升快
- 技术迭代快，需要持续学习最新框架和工具
- 全栈职责范围广，需要同时兼顾前端、后端、运维等多方面技能
缺点 / 挑战
- 咨询项目节奏可能较快，对交付质量和时效有较高要求
- 适合有3年以上经验、对AI Agent和RAG充满热情、喜欢全栈挑战、希望在项目实战中快速成长的技术型人才
角色解读
- 技术方向：深耕AI Agent和RAG领域，成为大模型工程化专家
- 架构方向：向AI系统架构师发展，主导复杂AI产品的技术方案设计
- 管理方向：积累技术领导力，逐步转型为技术团队负责人
- 负责AI Agent架构设计与开发，使用LangGraph等框架实现工作流编排和多Agent协作
- 构建端到端RAG系统，包括文档解析、向量检索、重排序等流程优化
- 开发高可用后端服务，基于Python FastAPI等实现API和微服务架构
- 完成容器化部署和CI/CD流程，确保项目高效迭代与稳定运行
- 精通AI Agent框架（LangGraph/LangChain/AgentScope）和RAG系统构建
- 扎实的Python后端开发能力，熟悉FastAPI、异步编程、微服务
- 掌握容器化技术（Docker/K8s）和CI/CD流程，能独立交付项目
- 了解前端基础（Vue/React）和大模型工程化（提示词工程、多模型调度）
申请策略
- 在简历和面试中展示对AI前沿技术的热情，如开源项目贡献或技术博客
- 提前了解埃森哲的业务方向，思考AI如何与咨询场景结合，体现业务理解能力
- 突出AI Agent或RAG相关项目经验，详细描述使用的框架和实现效果
- 展示全栈开发能力，包括后端（Python FastAPI）、前端（Vue/React）、容器化部署等
- 强调大模型工程化经验，如提示词优化、多模型集成、流式输出等
- 如果缺乏Agent开发经验，可以先学习LangChain官方教程并动手构建简单Demo
- 补充RAG系统知识，了解向量数据库（Milvus）和检索优化技术
- 熟悉Docker和Kubernetes基础操作，掌握CI/CD工具如GitLab CI或Jenkins
面试指南
- 对于技术问题，采用STAR原则：情境-任务-行动-结果，突出技术选型和效果
- 对于开放性问题，先总结当前技术趋势，再结合自身经验给出观点，展现思考深度
- 请描述一个你使用LangChain或LangGraph实现的Agent项目，包括架构设计和遇到的挑战
- 如何优化RAG系统的检索质量？请说明具体技术方案
- 在微服务架构中，如何保证API的稳定性和性能？
- 你如何看待AI Agent在企业中的应用前景？请结合具体场景
- 准备一个完整的Agent或RAG项目案例，能清晰讲解架构和代码实现
- 复习Python异步编程和FastAPI高级特性，如依赖注入、中间件等
职位点评
69
综合评分
前沿AI技术栈，高成长性，薪资有竞争力，但WLB不明确。
更适合这类人
该职位最适合追求技术成长和前沿技能积累的求职者，对WLB要求不高者更佳。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展85
工作生活50
使命价值80
薪资福利
60中等
薪资未明确披露，但结合市场行情和公司规模，预计处于中上水平；JD未提及具体福利，补偿性动机满足度一般。
薪资信号未披露（AI估算：20K-35K/月）
成长发展
85较高
职位涉及AI Agent和RAG等前沿技术，能深度参与工程化落地，技能成长空间大，但JD未明确提及晋升路径。
技术前沿前沿/新兴技术
技术栈LangGraph、LangChain、AgentScope、Google-ADK、RAG、FastAPI、Docker、Kubernetes、Python、AI Agent
业务类型ambiguous
工作生活
50较低
未提及远程或弹性工作，默认现场办公；办公地点未明确，WLB信号缺失，生活化动机满足度较低。
工作模式仅现场办公
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
AI行业高速增长，职位直接参与智能化升级，但社会影响力中性，创新程度较高。
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