恩士迅
AI-Engineer
AI-Engineer
发布于 大约 4 小时前普通员工/个人贡献者
成都市 / 北京市
中级经验
全职员工
仅现场办公
学历未注明
软件工程
RAG
API
大语言模型
向量数据库
Prompt Engineering
MCP
Fine-tuning
AI 估算 · 25k–45k
AI工程师稀缺，跨国巨头薪资竞争力强，一线城市薪资水平高，预计中位数约35000元/月
职位详情
关于这个职位
该职位专注于基于大语言模型（LLM）的AI应用开发与落地，从概念验证到生产部署，涉及提示词工程、上下文工程（RAG、向量数据库）以及前沿技术探索（MCP、Agent）
与产品团队紧密协作，将AI能力转化为业务价值，适合对GenAI有热情、动手能力强的工程师
最低要求
GenAI应用开发经验：有实际项目经验，从概念验证（PoC）到生产部署
Prompt Engineering熟练工：熟悉prompt设计和迭代，有相关methodology、案例、经验
上下文工程实战：做过RAG、向量数据库、知识图谱、session管理、带过真实业务知识进LLM经验
熟悉MCP、Skill、Harness，Python是标配，API调用是日常，用过LangChain/LangGraph/HuggingFace等开发工具链
工作职责
设计和构建基于大语言模型（LLM）的应用，把AI变成业务里的真正的能用的、能见效的工具
深入「提示词工程」——从few-shot到CoT到RicoPrompt，从demo到production，持续迭代，持续改进
搭建和优化「上下文工程」框架，熟悉RAG、知识库、session管理
探索和应用MCP、Skill、Harness，把前沿概念真正落地进产品
与产品、PM、业务团队深度协作，了解真实场景发现问题，并用AI方案解决
持续追踪GenAI前沿，持续实验新模型、新范式，持续Push代码到生产，持续改进系统表现
优先资格
有开源贡献、AI相关项目、技术博客、技术演讲经验
熟悉Agent架构、Tool Use、多轮对话系统设计
有RAG pipeline高并发/低延迟优化实战经验
玩过Fine-tuning、LoRA、量化推理等模型优化
明白LLM评测（benchmark）怎么做，有自己一套评估方法
AI 洞察
优缺点分析
优点
- 身处GenAI前沿领域，技术成长空间巨大，能够接触到最新的大模型和工具链
- 公司为跨国巨头，平台资源丰富，项目具有实际业务影响力
- 团队注重技术落地，可以从PoC到生产全程参与，成就感强
- 技术迭代极快，需要持续学习和实验，对学习能力要求高
- 适合对AI充满热情、动手能力强、渴望将前沿技术落地到真实场景的工程师
缺点 / 挑战
- 业务期望高，需要快速交付可用的AI系统，可能存在时间压力
- 多城市多地协作，沟通成本较高
角色解读
- 可向AI架构师方向发展，负责整体AI解决方案设计与技术决策
- 可深入研究LLM模型优化（Fine-tuning、量化），成为模型专家
- 也可转向AI产品经理或技术负责人，结合业务推动AI战略
- 设计和构建基于大语言模型的AI应用，将前沿技术转化为实际业务工具
- 深入提示词工程和上下文工程，优化RAG、向量数据库等组件，提升生成质量
- 与产品、PM等团队协作，识别业务痛点并输出AI解决方案
- 持续追踪GenAI进展，实验新模型并推动落地到生产环境
- 扎实的Python编程能力，熟悉LangChain、HuggingFace等AI开发工具链
- 精通Prompt Engineering，掌握few-shot、CoT等提示设计方法
- 具备RAG、向量数据库、知识图谱等上下文工程实战经验
- 理解MCP、Agent、Tool Use等概念，能落地到产品中
申请策略
- 了解公司业务场景（如IT服务、数字化转型），思考AI如何与现有业务结合
- 准备一个展示你技术深度的Side Project，体现对MCP或Agent的理解
- 突出GenAI应用的真实项目经验，尤其是从PoC到生产的具体案例
- 详细描述在Prompt Engineering、RAG、向量数据库等方面的技术细节和成果
- 如有开源贡献、技术博客或演讲，务必列出，这是重要加分项
- 如果缺乏LLM应用经验，建议先通过公开课程或GitHub项目快速上手LangChain和RAG
- 深入学习Prompt Engineering方法论，阅读相关论文和博客
面试指南
- STAR法则：情境、任务、行动、结果，清晰描述项目背景和你的贡献
- 从问题定义、技术选型、实现细节、效果评估和迭代优化五方面展开
- 请描述一个你用LLM解决实际问题的项目，从需求到部署的全过程
- 你如何设计一个高效的RAG pipeline？如何评估其质量？
- 什么是MCP？你如何将其应用到多轮对话系统中？
- 你对Prompt Engineering有哪些方法论？比如CoT和few-shot的区别和适用场景
- 你如何评估一个LLM应用的性能？用什么指标？
- 复习LangChain、RAG的常见架构和最佳实践，准备一个完整的案例
职位点评
72
综合评分
前沿AI技术岗，发展空间大，薪资有竞争力，但现场办公且强度未知。
更适合这类人
最适合追求技术成长和前沿创新、对WLB要求不高的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展95
工作生活50
使命价值70
薪资福利
75中等
薪资有竞争力，但未明确福利细节，稳定性高，补偿性动机满足较好。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
95较高
职位处于AI前沿，技术成长空间大，鼓励学习和实验，发展性动机极强。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Prompt Engineering、LangChain、MCP、Agent、Fine-tuning
成长机会持续追踪GenAI前沿、持续实验新模型
业务类型profit_center
工作生活
50较低
多城市现场办公，未提及弹性或远程，工作强度可能较高，生活化动机满足一般。
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
70中等
AI技术赋能业务，有实际社会应用价值，但具体使命导向不明显。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs