浪潮
大模型应用开发工程师
大模型应用开发工程师
发布于 大约 8 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Prompt Engineering
Rag
向量数据库
大语言模型
智能体
值不值得投
72综合评分
综合评分 72
技术驱动、场景明确的AI应用开发岗，技术成长性突出，但WLB信息不明需进一步了解。
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。
薪资怎么样
24K
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 410 个在招
职位详情
关于这个职位
这是一个面向工业场景的大模型应用开发岗位
你将负责基于大语言模型（LLM）设计和开发智能体（Agent）应用，将AI能力落地到化工生产、供应链优化等实际业务中，实现智能问答、数据分析与流程自动化
工作涉及从技术框架搭建、知识库构建到性能调优的全流程
最低要求
计算机科学、人工智能、软件工程或相关专业，本科及以上学历，具有3年以上软件开发经验
精通Python编程语言，熟练掌握FastAPI或Flask等主流Web开发框架
具备大语言模型应用开发实战经验，熟悉至少一种主流Agent框架（如LangChain、LlamaIndex、Semantic Kernel等）
深入理解RAG技术架构、Embedding模型选型及向量数据库（如Milvus、Pinecone、Weaviate等）的应用
熟悉Prompt Engineering、Few-shot、Chain-of-Thought等LLM应用技术，具备良好的工程实践能力，熟悉Docker与Kubernetes等DevOps工具链
工作职责
负责基于大语言模型（LLM）的智能体（Agent）应用的设计与开发，面向工业场景落地智能问答、数据分析、流程自动化等应用
搭建并优化Agent开发框架（如LangChain、LangGraph、AutoGen等），实现多Agent协作、外部工具调用及RAG（检索增强生成）等功能
与业务部门深度协作，将化工生产、供应链、安全环保等专业领域知识转化为结构化的知识库与可供Agent调用的工具链
负责大模型应用的性能调优、幻觉治理、Prompt工程优化，并保障应用在生产环境中的稳定部署与运行
持续跟踪LLM与Agent技术前沿，探索多模态交互、自主决策等新能力在工业场景中的可行性并推动技术落地
AI 洞察
优缺点分析
优点
- 技术前沿：直接参与LLM、Agent等当前最热门AI技术的应用开发，能快速积累稀缺的实战经验
- 场景落地：工作与工业场景深度结合，能将技术直接转化为业务价值，成就感较强
- 公司平台：浪潮是知名的大型IT企业，能提供稳定的技术资源和职业发展平台
- 领域知识壁垒：需要快速学习并理解化工、供应链等复杂工业领域的知识，对跨领域学习能力要求高
- 适合具备扎实工程背景、对LLM与Agent技术有浓厚兴趣，并渴望将前沿AI技术应用于解决实际工业问题的开发者
- 需要具备较强的自驱学习能力和跨领域沟通意愿
缺点 / 挑战
- 工程稳定性要求高：从原型到生产环境的部署，需要解决性能、稳定性、幻觉治理等一系列工程挑战
- 技术更新迅速：需要持续跟踪LLM与Agent领域的最新进展，并快速应用于实践，学习压力较大
角色解读
- 技术专家路线：深入LLM与Agent技术研究，成为在该领域解决复杂工业问题的技术权威或架构师
- 技术管理路线：带领团队负责更大规模的大模型项目或产品线，推动AI在公司乃至行业内的规模化落地
- 行业解决方案专家：深耕特定工业领域（如智能制造、供应链），成为“AI+行业”的复合型专家，推动数字化转型
- 设计和开发基于大语言模型的智能体应用，使其能执行复杂任务，如工业领域的智能问答和数据分析
- 构建和优化Agent框架，整合外部工具、知识库与模型能力，实现多步骤、自动化的解决方案
- 将特定行业（如化工、供应链）的专业知识系统化，并转化为AI可理解和调用的格式
- 对大模型应用进行深度优化，确保其输出准确（减少幻觉）、性能高效，并在生产环境中稳定运行
- 熟练的Python编程与后端开发能力，能快速搭建服务（FastAPI/Flask）
- 深入的大模型应用开发经验，熟悉主流Agent框架（LangChain等）和RAG技术
- 掌握Prompt工程、向量数据库等核心LLM技术，并具备良好的工程化与部署运维（Docker/K8s）能力
- 良好的跨部门沟通与领域知识转化能力，能将业务需求转化为技术方案
申请策略
- 研究浪潮在人工智能、智能制造、工业互联网方面的业务和解决方案，在面试中展示你对“AI落地工业”这一方向的理解与认同
- 准备一个关于如何将复杂行业知识转化为Agent可用工具的思路，这能体现你的系统思维能力
- 突出Python后端开发经验，以及使用FastAPI/Flask等框架的具体项目
- 详细描述使用LLM、Agent框架（如LangChain）、RAG、向量数据库等技术的项目经历，说明解决的具体问题和成果
- 体现将技术方案落地到生产环境的经验，可提及Docker/K8s的使用、性能优化或系统稳定性保障的相关工作
- 如有工业、制造、供应链等领域的项目合作经验，务必强调，这是重要的加分项
- 深化对至少一种主流Agent框架（如LangChain）源码和高级用法的理解，能够进行二次开发
- 系统学习并实践Prompt Engineering的高级技巧（如CoT, ReAct），并了解主流的LLM评估与幻觉治理方法
面试指南
- 对于技术难点问题，采用STAR法则（情境、任务、行动、结果）结构化回答，重点突出技术选型和优化过程
- 对于架构设计类问题，先明确目标和限制条件，再分模块阐述技术选型和实现逻辑，展示系统性思考
- 对于生产环境问题，从监控、日志、容错、降级等多个方面阐述，体现工程化思维和稳定性意识
- 请介绍一个你使用LangChain或其他Agent框架开发过的项目，遇到了哪些技术难点，是如何解决的？
- 在设计RAG系统时，你如何选择Embedding模型和向量数据库？如何评估检索的效果？
- 针对大模型应用的‘幻觉’问题，在工程上你有哪些治理策略和实践经验？
- 如果让你为化工生产场景设计一个Agent应用，你的初步思路和架构是怎样的？
- 你如何保障LLM应用在生产环境中的性能和稳定性？
职位点评
薪资福利70
成长发展90
工作生活50
使命价值75
薪资福利
70中等
薪资为面议，但基于职位技术难度和公司性质，预计能达到市场中位数水平。作为上市公司，其薪酬福利体系应较为规范。
薪资信号面议 (18K-30K/月)
成长发展
90较高
职位聚焦于大模型、智能体等前沿AI技术在工业领域的实际应用，技术挑战大，能提供宝贵的技术深度和行业视野积累。
技术前沿前沿/新兴技术
技术栈大语言模型、智能体、LangChain、RAG、Embedding、向量数据库、Prompt Engineering
业务类型profit_center
工作生活
50较低
JD未明确工作模式和办公时间，基于职位性质和行业惯例，可能需要现场办公且工作节奏受项目驱动。生活化动机满足程度有限。
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
将先进AI技术应用于工业场景，助力产业智能化升级，具有明确的正向商业与社会价值，能带来较强的技术使命感。
行业发展高速增长赛道
社会影响中性/一般
使命信号面向工业场景落地、将专业领域知识转化为结构化知识库
创新程度积极采用新技术
Watch Jobs