帆软
高级大模型应用算法工程师
高级大模型应用算法工程师
发布于 大约 11 小时前普通员工/个人贡献者
无锡市 / 南京市
高级经验
全职员工
仅现场办公
本科
软件工程
PyTorch
RAG
向量数据库
大模型
知识库
AI 估算 · 25k–45k
高级大模型算法工程师，无锡/南京薪资水平中等偏上，大型企业稳定，技术栈前沿，竞争力强。
职位详情
关于这个职位
该职位负责主导智能体(Agent)编排框架和RAG知识库融合的技术研发与落地，涉及动态规划、多智能体协同、检索增强等前沿方向，需要深厚的大模型应用、工程架构和算法优化能力
工作地在无锡或南京，属于大模型应用落地核心岗位
最低要求
年研发经验，有相关AI实战经验，Agent编排、知识库RAG融合项目研发经验
有生产级AI系统架构设计经验，熟悉Docker/K8s、微服务等工程化实践，具备高并发编排、检索链路优化经验
熟练掌握Python/Go/Java，精通PyTorch深度学习框架，深度熟悉LangChain、AutoGen、LangGraph等主流Agent编排框架，具备框架二次开发、流程定制能力
深刻理解Agent核心原理，精通任务编排、动态规划、多智能体协同、工具链式调用核心模块设计与落地
扎实掌握知识库与RAG全链路技术，熟悉向量数据库、混合检索、文档分块、重排优化、知识库分层治理，可独立解决Agent场景下检索匹配、幻觉抑制、信息精准复用等核心问题
本科及以上学历，计算机、人工智能、机器学习等相关专业
具备较强的技术攻坚、问题复盘、跨团队沟通与项目推进能力
工作职责
Agent编排内核研发（核心）：主导智能体（Agent）编排框架核心设计与迭代，深耕任务动态规划、复杂流程拆解、多步骤链式编排、分支循环调度、异常容错回滚等核心能力
优化ReAct、CoT、Plan&Execute等推理编排范式，攻克Agent自主决策、多智能体协同分工、任务冲突消解、流程死锁规避等技术难题，搭建稳定、可扩展的生产级Agent工作流体系，实现LLM与编排引擎的高效协同
Agent与知识库深度融合落地（核心）：负责智能体工作流与企业知识库、检索体系的深度打通与融合优化，构建编排+RAG检索联动机制
设计流程化动态检索策略，实现Agent任务执行过程中按需触发知识库召回、多轮检索修正、检索结果动态注入工作流
优化知识库分层治理、混合检索、切片重排、增量更新能力，解决Agent长流程任务信息缺失、幻觉、漏召误召、时效性差等核心问题，提升智能体问答与任务执行的精准度
AI技术架构设计与落地：负责Agent+知识库一体化平台技术栈选型与架构规划，搭建检索、编排、工具调用一体化技术架构，支撑高并发、低延迟的工业级智能体业务落地
适配云端部署场景，保障知识库检索、Agent流程调度的高效稳定运行
工程化与性能优化：建立完善的工程化与迭代体系，涵盖模型及知识库版本管理、全链路监控告警、A/B实验评测、自动扩缩容等机制
针对Agent长流程编排、大规模知识库检索场景，优化推理耗时、Token开销、检索延迟与资源利用率，通过量化、缓存调度、上下文压缩等手段，实现系统性能与稳定性升级
技术创新与业务赋能：跟踪Agent编排、多智能体协同、检索增强（RAG）前沿技术，开展技术预研与方案迭代
深入企业自动化、智能问答、业务协同等场景，落地知识库驱动的智能体解决方案，依托标准化工作流编排能力，赋能业务自动化、智能化升级
团队引领与技术沉淀：主导跨团队协作，制定Agent编排、知识库应用相关技术规范与研发流程
沉淀可复用的智能体编排组件、知识库适配框架、落地最佳实践，构建团队核心技术壁垒
优先资格
有开源Agent编排框架、RAG知识库框架贡献经验
持有Agent编排、智能知识库、大模型应用相关专利或顶会论文
具备多模态Agent、多智能体集群协同、大规模企业知识库平台落地经验
AI 洞察
优缺点分析
优点
- 身处大模型应用最前沿，Agent和RAG是AI落地核心方向，技能积累价值极高
- 公司为大型企业且自负盈亏，业务稳定，项目资源充足
- 工作内容包括从算法到工程化的全链路，成长全面
- 技术难度高，涉及多学科交叉（推理、检索、工程），需要较强的学习能力
- 要求3年经验但岗位为高级，需要快速产出成果
- 适合有大模型或NLP研发经验、热爱技术攻坚、希望在AI落地前沿深耕的算法工程师
缺点 / 挑战
- 无锡/南京生活成本相对一线城市低，生活质量较高
- 项目可能面临高并发、高性能要求，工程挑战大
角色解读
- 技术深钻方向：成为Agent编排与RAG领域的专家，主导核心技术突破
- 架构师方向：从系统架构角度构建企业级AI平台，晋升为技术架构师
- 管理方向：积累经验后转型为AI团队技术负责人或主管
- 设计并迭代Agent编排框架，实现任务动态规划、多步骤链式编排、异常容错等核心功能
- 深度打通Agent与知识库，构建RAG检索联动机制，优化检索策略和知识管理
- 进行AI技术架构规划与工程化落地，确保高并发、低延迟的工业级性能
- 跟踪前沿技术（多Agent协同、RAG优化），推动技术预研和业务场景适配
- 熟练掌握Python/Go/Java和PyTorch，精通LangChain、AutoGen等Agent编排框架
- 深刻理解Agent核心原理，具备高质量、高并发的工程化能力
- 掌握知识库与RAG全链路技术，包括向量数据库、混合检索、重排优化等
- 具备系统架构设计、性能优化和跨团队协作能力
申请策略
- 提前研究帆软的产品和技术方向，面试时展现对公司业务的理解
- 准备一个完整的Agent+RAG项目案例，包括设计、实施和效果
- 重点突出Agent编排或RAG相关项目经验，说明你在其中的角色和贡献
- 展示生产级系统的架构设计或性能优化案例，例如高并发或延迟优化
- 如果有开源贡献、专利或论文，务必放在显眼位置
- 熟悉LangGraph、AutoGen等框架的底层机制，尝试二次开发或复现论文
- 复习向量数据库（如Milvus、Faiss）和混合检索的细节
- 了解领域最新动态，如Multi-Agent、GraphRAG等
面试指南
- 技术问题回答时，先抽象问题核心，再结合项目经验给出具体方案，最后总结关键点
- 系统设计类问题，从功能需求、非功能需求（延迟、并发）、技术选型、关键模块、扩展性等方面展开
- 开放性问题，突出你的思考过程，对比不同方案优劣，并提及实际效果
- 请详细描述你负责的一个Agent编排项目，如何实现任务规划和异常处理？
- 如何优化RAG中检索精度和延迟？你有处理过幻觉问题的经验吗？
- 在LangChain基础上，你如何进行框架二次开发或定制流程？
- 如果需要支持高并发的Agent编排服务，你如何设计系统架构？
- 你对多智能体协同（Multi-Agent）有什么理解？能分享实际案例吗？
职位点评
64
综合评分
技术前沿、成长极佳、薪资面议但偏高，WLB一般。
更适合这类人
适合追求技术成长、愿意投入高强度工作的AI算法工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展90
工作生活40
使命价值60
薪资福利
65中等
薪资面议，但公司规模大且技术前沿，预计薪资在市场中上水平，福利未明确提及。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
该职位处于AI最前沿（Agent+RAG），技术挑战大，成长空间极高，有明确的技术积累和团队引领职责。
技术前沿前沿/新兴技术
技术栈大模型、Agent、RAG、LangChain、PyTorch、向量数据库
成长机会技术预研、技术规范与研发流程、沉淀最佳实践
业务类型ambiguous
工作生活
40较低
仅现场办公，未提及弹性工时或远程，工作强度可能高，但无锡/南京生活节奏相对缓和。
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
60中等
AI赋能企业自动化有一定社会价值，但主要面向商业场景，使命感一般。
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
Watch Jobs