DiDi logo
滴滴出行
AI Research Engineer

AI Research Engineer

发布于 2 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
学历未注明
全职员工仅现场办公AI算法
AI算法
Agent开发
Llm
Prompt Engineering
Rag
时间序列分析
机器学习
系统架构设计

值不值得投

80综合评分

综合评分 80

前沿AI技术落地垂直行业,高成长性与挑战性并存,薪酬优厚

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 2380 个在招 · 其中AI算法 5 个

市场机会

选择面较广

杭州 · AI算法 · 96 个在招

职位详情

关于这个职位

该职位负责构建面向电力交易领域的AI研究自动化系统(Agent/Harness),将业务专家经验转化为AI可访问的工具与上下文

核心工作包括打通数据、实验平台与评测系统,实现从假设生成到回测交付的全流程自动化,旨在显著提升算法迭代效率并降低研发成本

最低要求

计算机相关专业背景或同等扎实能力,具备优秀的编程、系统设计和问题拆解能力

熟悉 Python、Linux、Git、数据库及常见服务化/任务调度方式
深度使用主流大模型和代码 Agent 完成真实研发工作,能展示由自己主导的 Agent、Harness、研究自动化或 AI 工具链项目
理解上下文工程、工具调用、Skills/知识库、沙箱权限、实验追踪和评测,不只是会使用 Chat 或编写 Prompt
具备扎实机器学习实验素养,理解时间序列回测、数据泄漏、样本外验证和过拟合
能判断实验结果是否可信
聪明、自驱、爱钻研,能从模糊业务问题中抽象客观目标和边界,快速阅读论文、复现方法并处理开放问题
具备良好的跨团队沟通能力,能把交易员隐性经验、算法实验和工程流程转化为可靠系统

工作职责

设计并实现研究 Agent/Harness,打通代码、结构化和非结构化数据、实验平台、评测与影子系统

建设 AI 友好的数据与知识访问层,保留原始资料和 PIT 语义,支持全文、索引、版本和权限管理
建设实验管理与可复现能力,自动记录假设、代码、数据、参数、环境、结果和失败原因,支持历史检索和去重
将数据访问、训练、回测、部署、调试、发布和回滚沉淀为可复用工具与 Skills,并建立客观约束和安全红线
与算法、交易和工程团队共建滚动样本外、过拟合控制、分场景评测及Champion/Challenger影子验证
评估单 Agent、多路线并行和独立复核的实际收益,管理算力、Token、稳定性和成本,持续迭代系统

AI 洞察

优缺点分析

优点

  • 依托滴滴平台资源,拥有高质量的业务数据和算力支持
  • 职业成长空间大,易形成差异化竞争优势
  • 需要同时理解复杂的金融交易逻辑和前沿AI技术,学习曲线陡峭
  • 业务场景对准确性和稳定性要求极高,容错率低
  • 跨部门协作复杂,需平衡技术创新与业务落地需求
  • 适合对AI Agent有深入研究兴趣,且具备较强工程落地能力和业务抽象思维的资深技术人员

缺点 / 挑战

  • 处于AI落地垂直行业的前沿,技术挑战性强,能接触最新的Agent和大模型应用技术

角色解读

  • 可向AI基础设施架构师、高级算法工程师或AI产品经理方向发展
  • 随着大模型在垂直领域应用的深化,成为懂业务又懂前沿AI技术的复合型专家
  • 构建用于电力交易研究的AI Agent系统,打通数据、实验与评测全流程
  • 开发AI友好的数据访问层和实验管理平台,实现研究过程的自动化与可复现
  • 与算法和交易团队协作,优化AI在金融量化场景下的表现
  • 精通Python及系统架构设计,深入理解LLM应用开发(Agent/RAG/Prompt)
  • 掌握机器学习实验方法论(回测、防过拟合、样本外验证)
  • 具备将业务逻辑转化为工程系统的抽象思维能力

申请策略

  • 准备详细的项目案例,重点阐述如何解决‘模糊业务问题’的技术方案
  • 了解电力交易或金融量化领域的基本概念,展现对业务场景的理解
  • 突出主导过的AI Agent、自动化测试或大模型应用项目,展示从0到1的系统搭建能力
  • 强调在机器学习实验设计方面的专业素养,如如何处理数据泄漏、验证模型有效性
  • 体现跨团队协作经验,特别是如何将非结构化业务经验转化为标准化流程
  • 深入学习LangChain、LlamaIndex等Agent框架的高级用法
  • 强化金融量化基础知识,特别是时间序列分析和回测陷阱的理解
  • 提升系统设计与性能优化能力,确保大规模实验管理的稳定性

面试指南

  • 采用STAR法则(情境、任务、行动、结果)描述项目经历,重点突出技术难点和解决方案
  • 对于算法问题,先阐述理论原理,再结合具体场景说明实践中的权衡与优化
  • 对于业务转化类问题,强调抽象思维和工程化落地的过程
  • 请介绍一个你主导的AI Agent或自动化研发工具项目,你是如何设计其架构的?
  • 在机器学习实验中,你如何防止数据泄漏和过拟合?请举例说明
  • 如何将交易员的隐性经验转化为AI可访问的结构化知识?
  • 面对模糊的业务需求,你如何进行需求拆解和技术方案设计?
  • 复习大模型应用开发的核心技术栈(Embedding, RAG, Function Calling等)

职位点评

薪资福利85
成长发展92
工作生活60
使命价值75

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酬和完善的福利体系,满足求职者对经济回报稳定性的需求。

薪资信号偏高 (3.0千–6.0万/月)

成长发展

92较高

岗位涉及前沿的AI Agent技术与垂直行业(电力交易)的深度结合,技术栈新颖且具有高成长性,极大满足技能提升和职业发展的需求。

技术前沿前沿/新兴技术
技术栈Agent、Harness、LLM、Context Engineering、Machine Learning、Time Series Backtesting
业务类型profit_center

工作生活

60中等

未明确提及弹性工作制或远程办公,通常此类核心研发岗位需坐班。但作为成熟大厂,相比初创公司可能有更规范的作息,WLB中等。

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

75中等

通过AI技术提升电力交易效率,间接助力能源行业的数字化和智能化转型,具有一定的社会价值和行业意义。

行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs