博世
AI 软件工程平台工程师
AI 软件工程平台工程师
发布于 大约 2 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
本科
平台工程
CI/CD
Langgraph
Mcp
Rag
向量数据库
AI 估算 · 30k–50k
AI平台核心技术稀缺，外企平台稳定，上海薪资偏高。
职位详情
关于这个职位
该职位负责构建企业内部的 AI Agent 平台底座，包括 Agent 编排框架、模型网关、评测与可观测体系，以及研发上下文接入层
你将与内部工具链集成，支持团队向 AI Native 转型，推动大模型应用落地
适合具备大模型生产经验、熟悉 Python 和 Agent 框架的工程师
最低要求
本科及以上，计算机 / 软件工程等相关专业
扎实的软件工程基础，熟悉完整 SDLC
熟练掌握 Python（团队主力语言）
具备大模型应用的生产落地经验 —— 不只是 Demo 或 POC，能说清楚线上遇到的问题和怎么解决的
熟悉 Agent / RAG / 向量数据库的工程实现，了解其失效模式而不只是 happy path
熟悉至少一种 Agent 开发框架：LangGraph / LangChain / OpenAI Agent SDK 等
熟悉 Git、CI/CD、Code Review、自动化测试等研发流程
工作职责
Agent 平台底座：建设 Agent 编排框架与运行时，支持配置化扩展 —— 新增/调整 Agent 以填表或写配置完成，尽量不改代码
建设 Agent 注册与统一模型网关，屏蔽底层模型差异，支持多模型路由与灰度
建设编排层：让多个 Agent 与工具在流程中自动流转，减少人工串联
评测与可观测：建设 Agent 评测体系：评测数据集、回归基线、质量指标定义与自动化评测流水线
建设线上追踪与归因：调用链路、失败模式分类、成本与 token 消耗治理
让每一次 prompt / 模型 / 编排变更可度量、可回归、可回滚 —— 没有评测的 Agent 不允许进生产
上下文接入层（Context Layer）：打通研发工具链（Git / Jenkins / Jira / Confluence / 需求与文档系统），把研发上下文封装为 Agent 可消费的能力
基于 MCP 建设统一上下文接入，处理权限透传、增量同步、缓存隔离、引用溯源等工程问题
建设企业研发知识检索能力（RAG），注意：知识接入的难点不在检索算法，在权限与时效
支持团队向 AI Native 转型：建立 Agent 开发规范、脚手架与模板，使领域工程师可在不理解 LLM 底层 的前提下交付可用 Agent
支持工程师的能力转型：从"自己写"到"定义问题、交给 Agent、验证结果"
编写文档、Demo 与培训材料，组织实践交流，降低上手门槛
建立采纳度与效果度量机制，把反馈转化为平台迭代
AI 洞察
优缺点分析
优点
- 技术前沿，接触最新 Agent 生态，积累深厚平台经验
- 业务场景丰富，直接支持多个团队，影响力大
- 博世平台稳定，资源充足，适合长期发展
- 企业内网自托管，需处理复杂权限、安全等工程问题
- 适合对 AI 基础设施有热情、喜欢解决复杂工程问题、具备自驱力的工程师
缺点 / 挑战
- 平台建设初期，可能需要承受较大的技术探索压力
- 需要与多方协作，沟通成本较高
角色解读
- 从平台工程师成长为 AI 基础架构专家，引领企业 AI 平台演进
- 可横向扩展至 MLOps、SRE 等方向，或深入纯算法研究
- 有机会成为技术负责人，牵头 AI 平台的战略规划
- 构建 Agent 编排框架和运行时，支持配置化扩展和模型路由
- 搭建评测与可观测体系，确保 Agent 变更可度量、可回滚
- 打通内部工具链，基于 MCP 建设上下文接入层和 RAG 能力
- 制定 Agent 开发规范，支持团队向 AI Native 转型
- 熟练 Python，掌握完整 SDLC 和 CI/CD
- 具备大模型生产落地经验，了解 Agent/RAG 失效模式
- 熟悉 LangGraph/LangChain 等 Agent 框架
- 熟悉 Git、自动化测试等工程实践
申请策略
- 准备一个 Agent 平台或 RAG 系统的项目复盘，体现思考深度
- 了解博世内部工具链（如 Git/Jenkins/Jira）的使用习惯
- 突出大模型应用线上落地案例，尤其是遇到的问题和解法
- 强调 Agent/RAG 项目经验，包括框架使用和架构设计
- 展示 Python 工程能力，如 CI/CD、测试、代码质量
- 学习 MCP 协议，理解上下文接入的工程挑战
- 熟悉 LangGraph/LangChain 的高级用法和源码
- 了解向量数据库（如 Milvus/Pinecone）和 RAG 优化
面试指南
- 用 STAR 法则回答项目问题，重点突出决策和量化结果
- 对设计问题，从需求、架构、权衡、落地四方面展开
- 强调数据驱动和工程化思维，说明如何度量效果
- 请描述一个你落地的大模型应用，遇到的最大工程挑战是什么？
- 如何设计 Agent 评测体系？关键指标有哪些？
- 解释 RAG 的权限和时效问题，以及你的解决方案
- 如何保证 Agent 平台的可扩展性和可维护性？
- 复习 LLM 应用架构，包括 Agent、RAG、工具调用
职位点评
68
综合评分
大外企AI平台核心岗位，前沿技术栈，薪资中等，WLB未知。
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。
更适合这类人
适合追求技术深度、重视技能成长、对AI基础设施有兴趣的工程师。
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85
工作生活50
使命价值70
薪资福利
65中等
该职位未明确披露薪资，但博世作为大型跨国企业，薪酬体系成熟，总体处于市场中等水平。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
85较高
该职位身处AI前沿，涉及Agent、RAG等新兴技术，可积累深厚的平台建设经验，技能成长空间大。
技术前沿前沿/新兴技术
技术栈Python、LangGraph、LangChain、MCP、RAG、向量数据库、CI/CD
业务类型cost_center
工作生活
50较低
工作地点在上海，未提及远程或弹性工作安排，具体工作时间未知。
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技术处于高速增长期，该职位推动企业内部AI转型，具有行业影响力，但直接社会价值不显著。
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
博世 的其他在招职位
相似职位推荐
Watch Jobs