滴滴出行
Artificial Intelligence-（2）后端研发实习生
Artificial Intelligence-（2）后端研发实习生
发布于 3 小时前实习/见习
实习生仅现场办公人工智能
人工智能
Ai Agent
Llm
Numpy
Prompt工程
异常检测
值不值得投
72综合评分
综合评分 72
AI Agent+AIOps前沿实习，技术成长强、数据链路完整，实习薪资与WLB需进一步确认
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，方便比较实习机会。
薪资怎么样
6.0千
比人工智能中位数低
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 2320 个在招 · 其中人工智能 24 个
市场机会
选择面较广
北京 · 人工智能 · 约 710 个在招
职位详情
关于这个职位
这是一个面向在校生的AI研发实习岗位，你将参与硬件故障挖掘平台的AI Agent开发与优化，结合日志、监控与时序数据做异常检测与故障预测
岗位横跨AI Agent/LLM应用、数据分析与智能运维（AIOps），能在真实生产场景中积累端到端的数据与技术经验
最低要求
计算机、自动化、人工智能、统计、数学等相关专业
熟悉 Python，具备基础数据分析能力（pandas、numpy）
对 AI Agent / LLM 应用有兴趣，了解 Prompt 工程、Function Calling
对日志、监控、时序数据分析感兴趣，有较好的问题定位能力
了解基础机器学习或异常检测方法，有项目经验加分
工程实现与学习能力强，能独立推进分析与实验任务
了解大数据处理工具（Spark / Hive / Flink 其一），有数据湖或海量数据处理经验加分
工作职责
参与 HW 故障挖掘平台的 AI Agent 开发与优化，包括 Agent 工作流设计、工具链集成、Prompt 工程
分析硬件/服务器的埋点、日志与 Grafana/Prometheus 监控数据，发现异常、资源波动与潜在故障风险
梳理日志、指标、告警数据链路，建设故障挖掘的数据分析与问题定位流程
参与自动化分析工具开发：数据清洗、异常统计、规则挖掘、报告生成
探索基于历史数据的异常检测、趋势分析与硬件故障预测方法
参与故障预测数据集建设，完成数据对齐、特征提取与效果评估
与监控、运维、硬件团队协作，推动故障挖掘与预测能力自动化
优先资格
加分项：
熟悉数据闭环技术栈：车端数据采集 → 上云 → 数据湖入湖 → 湖内数据处理与有效数据提取 → 分析建模
AI Agent / RAG / LLM 应用开发项目经验
AIOps / 异常检测 / 预测性维护项目经验
熟悉 Prometheus / Grafana / Loki 监控体系
了解时序建模、异常检测或预测算法
熟悉 LangChain 等 Agent 框架、sklearn / PyTorch / XGBoost
AI 洞察
优缺点分析
优点
- 能接触AI Agent与LLM应用的前沿落地，积累AIOps实战经验
- 数据链路完整（采集→入湖→建模），有助于建立端到端数据能力
- 大平台真实生产场景，硬件故障预测有明确实用价值
- 需同时具备后端、数据分析与机器学习能力，学习曲线较陡
- 故障预测类任务效果存在不确定性，需耐心迭代实验
- 实习期需快速上手内部工具链与监控体系
- 适合计算机/AI相关专业在读、对LLM应用与数据分析有热情、愿意在真实生产数据上做实验与迭代的学生
缺点 / 挑战
暂无明显挑战项
角色解读
- 在真实生产数据上积累AI Agent与AIOps实战经验，可向算法、后端或AI应用工程方向发展
- 掌握LLM应用、异常检测与数据闭环后，可胜任AI工程或可观测性/SRE相关岗位
- 表现优秀有机会转正，进入AI基础设施与智能运维领域
- 参与硬件故障挖掘平台的AI Agent开发，包括工作流设计、工具链集成与Prompt工程
- 分析服务器埋点、日志及Grafana/Prometheus监控数据，发现异常与潜在故障
- 建设故障预测数据集并开发自动化分析工具（数据清洗、异常统计、报告生成）
- 与监控、运维、硬件团队协作推动故障挖掘与预测自动化
- 扎实的Python编程与pandas/numpy数据分析能力
- 对AI Agent/LLM应用有理解，掌握Prompt工程与Function Calling
- 具备日志、监控、时序数据分析与问题定位能力
- 了解基础机器学习/异常检测方法，会Spark/Hive/Flink等大数据工具者优先
申请策略
- 提前了解滴滴在AI基础设施与可观测性方向的业务
- 准备一个端到端的数据分析或Agent项目，便于面试中完整讲解
- 突出Python与pandas/numpy的数据分析项目经历
- 展示AI Agent/LLM/RAG相关实践或课程项目
- 强调异常检测、时序数据分析或Prometheus/Grafana监控经验
- 列出Spark/Hive/Flink等大数据工具使用经历
- 补充LangChain等Agent框架与Function Calling实践
- 学习异常检测/时序建模方法并在小数据集上动手练手
面试指南
- 用STAR结构描述项目：背景-任务-行动-结果，量化数据与指标
- 技术问题先讲整体思路框架，再给具体实现与权衡
- 结合监控/日志实例说明问题定位过程
- 你会如何用LLM/Agent设计一个硬件故障挖掘的工作流？
- 如何从日志和监控指标中定位异常？
- pandas处理较大规模数据时你会怎么做？
- 你了解哪些异常检测算法，如何评估效果？
- Spark/Hive在数据链路中扮演什么角色？
职位点评
薪资福利55
成长发展88
工作生活60
使命价值70
薪资福利
55较低
实习津贴按日薪折算，处于技术类实习中等偏上水平；JD未提及转正与福利细节，稳定性与长期回报需向招聘方确认。
薪资信号未披露（AI估算：4.0–7.0千/月）
成长发展
88较高
接触AI Agent、LLM应用与AIOps前沿方向，数据链路完整、技术栈现代，对技能成长与技术积累很有帮助。
技术前沿前沿/新兴技术
技术栈Python、AI Agent、LLM、Prompt工程、Function Calling、异常检测、Prometheus、Grafana、Spark、LangChain、PyTorch、XGBoost
业务类型cost_center
工作生活
60中等
JD未提及办公模式、加班与弹性政策，工作节奏与灵活性需在面试中进一步了解。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
70中等
面向内部基础设施的智能运维与故障预测，AI Agent应用具前瞻性，技术价值较高，但社会影响力偏中性。
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