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 2 小时前普通员工/个人贡献者
大连市
中级经验
全职员工
仅现场办公
本科
全栈开发
Ai Agent
Langgraph
Rag
向量数据库
微服务架构
AI 估算 · 18k–30k
AI Agent方向高需求，大连外企薪资中等偏上，技术栈前沿，3年经验对应中级薪资。
职位详情
关于这个职位
该职位负责AI产品从0到1的落地，聚焦AI Agent与RAG系统的工程化开发
你将基于LangGraph/LangChain等框架搭建智能体工作流，构建端到端RAG系统，并负责后端服务、部署运维等全栈工作
适合有AI经验和全栈能力、热爱技术创新的工程师
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
- 所在领域是当前大热的AI Agent和RAG方向，技术前沿，市场需求旺盛
- 埃森哲作为全球咨询巨头，平台大，项目资源丰富，能接触不同行业客户
- 工作内容偏向全栈和工程化，能全面提升从模型到部署的综合能力
- 大连外企工作环境相对稳定，薪资在大连地区有竞争力
- 工作内容综合，要求技术栈广泛（前后端、部署、AI），需要不断学习新知识
- 大连的AI生态和机会相对一线城市少，长期发展可能需要考虑城市因素
- 适合对AI技术有热情、喜欢全栈开发、能快速学习并适应多角色工作的工程师
缺点 / 挑战
- 可能面临项目周期压力，需要快速交付，工作强度可能较大
角色解读
- 从AI工程师向AI架构师或技术专家方向发展，专注于Agent和RAG等前沿领域
- 有机会接触埃森哲全球项目，积累大型企业级AI落地经验，向咨询或管理方向转型
- 随着AI技术快速迭代，持续学习新框架和模型，成长为团队技术带头人
- 负责AI Agent和RAG系统的端到端工程化开发，从需求拆解、架构设计到部署上线
- 基于LangGraph/LangChain等框架实现工作流编排、多Agent协作和工具调用
- 构建优化RAG流水线，涵盖文档解析、向量化、检索重排序和上下文工程
- 开发后端API服务，使用Python或Go，并负责Docker/K8s部署和CI/CD流程
- 精通Python或Go，熟悉FastAPI/Flask/Gin框架，具备异步编程和微服务架构经验
- 熟悉AI Agent框架（LangGraph/LangChain等）和RAG技术栈（向量数据库、Reranker等）
- 掌握Docker/K8s容器化部署和CI/CD流程
- 了解前端基础（Vue/React）和大模型API集成（Azure OpenAI、通义千问等）
申请策略
- 埃森哲注重咨询能力，可以准备一些技术方案展示或案例分析
- 了解埃森哲在AI领域的业务方向，在面试中体现对行业场景的理解
- 突出AI Agent或RAG相关项目经验，包括架构设计、实现细节和效果量化
- 强调全栈开发能力，展示前后端、部署运维的完整项目案例
- 列出使用过的具体框架和工具（LangGraph、LangChain、FastAPI、Docker等），体现技术匹配
- 如果有AI产品落地经验，务必重点描述业务场景和成果
- 深入掌握LangChain/LangGraph的生态和最佳实践，能独立设计Agent工作流
- 补充LangGraph的进阶用法或AgentScope等，增加技术广度
面试指南
- STAR法则：说明情境、任务、行动和结果，突出技术难度和个人贡献
- 结构化回答：按“场景-方案-效果”的框架，先讲业务目标，再讲技术选型和实现，最后量化结果
- 强调工程化思维：不仅讲算法，还要讲稳定性、可维护性和监控
- 请介绍一个你主导的AI Agent项目，包括架构设计、遇到的技术难点和解决方案
- 如何优化RAG系统的检索质量和推理效果？请具体谈你的方法
- 你如何设计一个多Agent协作系统？请说明通信机制和状态管理
- 谈谈你在Docker和K8s部署方面的经验，如何设计CI/CD流程？
- 如何评估和选择大模型API？在项目中如何做多模型调度？
职位点评
71
综合评分
大平台、前沿技术栈，发展机会多，但WLB一般，薪资未明。
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
适合追求技术成长和职业发展的求职者，对工作和生活平衡要求不高，能接受现场办公。
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85
工作生活50
使命价值75
薪资福利
70中等
该职位提供具有竞争力的薪资和成熟外企的稳定性，但具体福利未在JD中明确说明。
薪资信号未披露（AI估算：18K-30K/月）
成长发展
85较高
职位涉及AI前沿技术和全流程工程化，技能成长快，平台资源丰富。
技术前沿前沿/新兴技术
技术栈LangGraph、LangChain、AgentScope、RAG、FastAPI、Docker、Kubernetes、微服务
业务类型ambiguous
工作生活
50较低
职位要求现场办公，JD未提及远程或弹性工时，工作强度可能因项目而有所波动。
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
75中等
工作通过AI技术帮助企业实现智能化转型，具有实际业务价值，但社会影响力一般。
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
埃森哲 的其他在招职位
相似职位推荐
Watch Jobs