埃森哲
AI LLM Technology Architecture Sr. Manager
AI LLM Technology Architecture Sr. Manager
发布于 大约 2 小时前中层管理(经理/总监)
上海市 / 北京市
高级经验
全职员工
仅现场办公
本科
技术管理
Ai Agent
Azure Openai
Langgraph
Rag
AI 估算 · 40k–70k
AI技术管理岗，要求高，埃森哲平台大，薪资竞争力强，一线城市。
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，主导架构设计、后端服务搭建及部署运维，并带领团队推动技术创新
适合具备深厚AI工程化经验、熟悉LangChain等框架、有管理潜力的技术专家
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
- AI领域前沿技术，接触最新的大模型应用和工程化实践
- 埃森哲作为全球咨询巨头，平台大，项目资源丰富，职业发展空间广阔
- 职位涉及全流程，从架构设计到部署运维，能全面提升技术能力
- 作为咨询公司，可能需要适应项目制工作，出差或驻场
- 管理职责与技术职责并重，需要平衡团队管理和技术攻坚
缺点 / 挑战
- 薪资水平较高，福利待遇完善
- 技术栈要求高，需要掌握多种AI框架和工具，学习压力大
- 适合有3年以上AI开发经验，对技术有热情，具备团队管理潜力，愿意在大型平台挑战自我的技术专家
角色解读
- 技术专家路线：深入AI工程化领域，成为大模型应用架构师或首席工程师
- 管理路线：从技术负责人晋升为技术总监，负责更大规模的AI团队和项目
- 行业专家路线：结合埃森哲的咨询背景，成为AI解决方案专家，为客户提供战略咨询
- 主导AI Agent架构设计与开发，使用LangGraph/LangChain等框架实现工作流编排和多Agent协作
- 构建和优化RAG系统，包括文档解析、向量化、检索和重排序，提升大模型推理质量
- 负责后端服务开发与部署，使用Python或Go构建高可用API，并基于Docker/K8s进行容器化部署
- 对接业务团队，将需求转化为技术方案，并参与技术选型和架构优化
- 精通AI Agent工程化开发，熟悉LangGraph/LangChain/AgentScope等框架
- 扎实的RAG和上下文工程能力，熟悉向量数据库和检索优化技术
- 熟练掌握大模型工程化技术，包括提示词工程、多模型调度和流式输出
- 具备后端开发能力，精通Python（FastAPI），熟悉异步编程和微服务架构
申请策略
- 关注埃森哲的AI战略和行业解决方案，在面试中体现对业务的理解
- 准备一个完整的AI项目案例，展示从需求到落地的全过程
- 突出AI Agent和RAG项目的实际落地经验，量化成果
- 强调LangChain、LangGraph等框架的使用深度，以及后端开发能力
- 展示容器化部署和CI/CD经验，体现工程化能力
- 如果有管理经验，突出团队协作和项目推进能力
- 深入学习LangGraph和AgentScope，掌握多Agent协作模式
- 熟悉主流向量数据库（如Milvus）和RAG优化技术
面试指南
- STAR法则：情境、任务、行动、结果，清晰描述项目经历
- 技术+业务结合：强调技术如何解决业务问题，体现价值
- 结构化回答：分点阐述，逻辑清晰，展示思考深度
- 请描述一个你主导的AI Agent项目，如何设计架构并解决复杂问题？
- 如何优化RAG系统的检索质量？你使用过哪些技术？
- 如何确保高并发下系统的稳定性？
- 你如何管理团队，推动项目按时交付？
- 如何将业务需求转化为技术方案？
职位点评
73
综合评分
前沿AI技术栈，平台大，薪资竞争力强，但工作强度可能较高。
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，对工作生活平衡要求不高的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利
80较高
埃森哲作为全球咨询巨头，薪资水平具有竞争力，福利完善，但具体薪资未披露。
薪资信号未披露（AI估算：40K-70K/月）
成长发展
90较高
职位涉及AI前沿技术，技术栈新，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、RAG、Azure OpenAI、Milvus、Docker、Kubernetes
业务类型profit_center
工作生活
40较低
仅现场办公，未提及弹性工作，且咨询行业可能面临出差和加班。
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
70中等
AI技术推动行业智能化，具有积极的社会影响，但JD未强调使命。
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