Alibaba logo
阿里巴巴
大模型应用开发工程师

大模型应用开发工程师

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.0–6.0万 · AI 参考估算
中级经验
本科
全职员工混合式弹性办公AI算法
AI算法
Ai Agent
Llmops
Mcp
Prompt Engineering
Rag
多智能体协同
大模型应用开发

值不值得投

82综合评分

综合评分 82

前沿AI技术栈、大厂高薪平台、强技术成长导向,兼顾一定工作灵活性

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

4.5万

与AI算法中位数基本持平

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 4820 个在招 · 其中AI算法 66 个

市场机会

选择面较广

杭州 · AI算法 · 70 个在招

职位详情

关于这个职位

该职位负责将大模型能力落地于实际业务场景,包括Prompt工程、智能对话及知识库建设

需设计开发AI Agent系统(如任务规划、多步推理),构建LLMOps全链路流程(评测、监控、RAG优化),并参与大模型应用平台研发,推动MCP生态及提效工具开发

最低要求

本科及以上学历,计算机、人工智能、软件工程、数学或相关专业

熟练掌握 Java、Python、Go、C++ 中至少一门编程语言,具备扎实的数据结构、算法基础、操作系统知识及良好的编程习惯
了解大模型应用开发原理,熟悉 Prompt Engineering、RAG、LangChain、LlamaIndex 或 Dify 等业界主流大模型开发框架
熟悉主流大模型(如GPT、Qwen、Llama等)的接口调用及特性,了解 Agent 架构及相关组件
具备卓越的学习能力和自驱力,对AI技术充满热情,能够快速跟进并掌握业界最新技术动态

工作职责

负责将大模型(LLM)能力落地到实际业务场景,包括但不限于Prompt工程、智能对话、知识库建设、内容生成及业务流程自动化

设计并开发AI Agent系统及其框架,负责任务规划、多步推理(CoT)、工具调用(Function/Tool Calling)、记忆管理及多智能体协同等核心模块的实现
构建LLMOps全链路流程,包括大模型应用评测、监控告警、数据标注及RAG(检索增强生成)全链路优化(如切片算法、召回重排等)
参与大模型业务应用平台的研发,推动MCP(模型控制协议)生态建设、工作流编排及代码生成等提效工具的开发,构建高可靠、高扩展的AI架构

AI 洞察

优缺点分析

优点

  • 接触最前沿的大模型与Agent技术,技术栈极具竞争力
  • 依托阿里平台,拥有海量真实业务场景和数据支撑
  • 团队技术氛围浓厚,有助于快速提升工程化落地能力
  • 薪酬福利体系完善,职业发展通道清晰
  • AI领域技术迭代极快,需持续高强度学习以保持竞争力
  • 大厂内部竞争激烈,对产出质量和创新性要求极高
  • 可能需要处理复杂的遗留系统兼容性问题
  • 适合对AI技术有强烈热情、具备扎实工程基础且渴望在前沿领域深耕的技术人才

缺点 / 挑战

  • 业务落地压力大,需在效果与成本间寻找平衡

角色解读

  • 纵向深耕:成为大模型应用架构师或AI Agent领域专家
  • 横向拓展:转向AI产品经理或技术管理岗,主导AI业务战略
  • 前沿探索:深入参与开源社区或行业标准制定,提升行业影响力
  • 负责大模型在业务场景中的落地,包括Prompt调优、知识库搭建及自动化流程实现
  • 开发AI Agent核心模块,如任务规划、多步推理、工具调用及多智能体协同
  • 构建LLMOps体系,优化RAG链路(切片、重排)及模型评测监控
  • 研发大模型应用平台,推动MCP生态及提效工具开发
  • 扎实的编程基础(Java/Python/Go/C++之一),精通数据结构与算法
  • 深入理解大模型应用原理,熟练使用LangChain、LlamaIndex、Dify等框架
  • 熟悉RAG技术栈及主流大模型接口特性
  • 具备极强的自驱力和新技术学习能力

申请策略

  • 准备1-2个完整的大模型应用Demo或GitHub项目,展示端到端能力
  • 了解阿里相关业务线(如通义、阿里云),在面试中展现业务理解力
  • 强调解决问题的思路而非仅罗列技术点,体现工程思维
  • 突出大模型应用项目经验,特别是RAG、Agent开发的具体案例和量化成果
  • 强调编程基本功,展示复杂系统设计能力及性能优化经验
  • 提及对主流框架(LangChain等)的深度使用及二次开发经历
  • 体现技术敏锐度,如参与开源项目、发表技术博客或专利
  • 深入研读Transformer架构及最新论文,理解模型底层原理

面试指南

  • STAR法则:情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答
  • 技术深度+广度:先讲核心原理,再谈工程实践,最后升华到架构思考
  • 数据驱动:用具体指标(如准确率提升%、延迟降低ms)证明方案有效性
  • 反思与迭代:展示对方案局限性的认知及后续优化计划
  • 请详细介绍一个你参与的RAG系统优化案例,你是如何解决召回准确率问题的?
  • 在设计AI Agent时,如何处理多步推理中的错误累积和容错机制?
  • 对比LangChain和LlamaIndex,你认为各自的优劣是什么?在实际项目中如何选择?
  • 如何评估一个大模型应用的效果?请列举关键的评估指标和方法

职位点评

薪资福利85
成长发展95
工作生活60
使命价值80

薪资福利

85较高

作为已上市的巨头企业,提供具有市场竞争力的薪资和完善的福利体系,满足补偿性动机。

薪资信号偏高 (3.0千–6.0万/月)

成长发展

95较高

岗位涉及大模型、Agent等前沿技术,技术成长空间巨大,满足极高的发展性动机。

技术前沿前沿/新兴技术
技术栈LLM、AI Agent、RAG、Prompt Engineering、LangChain、LlamaIndex、Dify、MCP、CoT
业务类型profit_center

工作生活

60中等

互联网大厂通常工作节奏较快,但混合办公模式提供了一定灵活性,生活化动机中等。

工作模式混合式弹性办公
办公地点市区核心地段
加班情况未提及(无法判断)

使命价值

80较高

通过推动AI技术落地赋能业务,具有显著的社会价值和技术创新意义,意义感动机较高。

行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs