普华永道
AI/LLM Engineer - China Next Gen Audit - IT - FCS - Shanghai/Beijing
AI/LLM Engineer - China Next Gen Audit - IT - FCS - Shanghai/Beijing
发布于 大约 3 小时前普通员工/个人贡献者
北京市 / 上海市
高级经验
全职员工
仅现场办公
学历未注明
软件工程
PyTorch
TensorFlow
MLOps
LLM
MLflow
CI/CD
Deepeval
Langflow
AI 估算 · 35k–60k
高级AI/LLM工程师需求旺盛，技术门槛高，普华永道作为跨国巨头薪资有竞争力，但非互联网大厂，综合月薪35-60K。
职位详情
关于这个职位
该职位是普华永道中国团队的高级AI/LLM工程师，负责设计、开发和部署基于大语言模型（LLM）的可扩展AI/ML及GenAI解决方案
你将使用Langflow、LangChain等工具构建框架，利用Datadog进行监控，并与业务和数据团队协作，推动创新AI应用落地
适合有深厚GenAI经验、精通Python和云原生技术的高级工程师
最低要求
· 在机器学习和GenAI领域有丰富的实践经验，成功交付复杂解决方案至生产环境
· 对LLM框架和编排工具有深入经验：Langflow、LangChain、MLFlow、DeepEval
· 有使用Datadog LLM Observability进行监控、追踪和评估LLM应用的经验
· 精通Python软件开发，遵循面向对象设计模式和最佳实践
· 有深度学习框架经验：TensorFlow、PyTorch
· 熟悉Hugging Face Transformers、Spacy、Pandas等开源库
· 有Docker、Kubernetes和云平台（AWS、Azure、GCP）经验
· 了解Postgres、VectorDBs和可扩展数据架构
· 有评估和评分框架经验（MLFlow、DeepEval）
· 深入理解MLOps、CI/CD和基础设施即代码
· 有使用Datadog、Langflow等工具构建LLM应用可观测性的实践经验
· 能够构建和维护用于模型性能和可靠性的仪表盘、告警和指标
· 出色的解决问题能力和创造性思维
· 强大的沟通和协作能力，能与跨职能团队有效合作
工作职责
· 领导LLM驱动应用的设计、实施和部署，将模型从概念带到生产
· 构建和维护用于提示工程、模型评估和工作流编排的框架（如Langflow、LangChain）
· 使用DeepEval等工具确保生成式AI模型的严格测试、验证和质量控制
· 集成Datadog LLM Observability以监控、故障排除和优化LLM应用性能、成本和可靠性
· 为端到端追踪、token使用、延迟、错误检测和运营指标进行应用检测
· 构建用于模型漂移、性能异常和GenAI指标的仪表盘和告警
· 紧跟生成式AI技术、框架和开源库（如Hugging Face、TensorFlow、PyTorch）
· 领导和参与研究活动，推进LLM能力和最佳实践
· 与跨职能团队紧密合作，将LLM技术集成到产品和服务中
· 与业务利益相关者互动，识别创新和价值创造的机会
· 推动采用敏捷、DevOps和CI/CD实践，实现可靠、可扩展的交付
· 倡导自动化测试、基础设施即代码和持续监控
· 进行代码审查，并执行安全编码实践
AI 洞察
优缺点分析
优点
- 普华永道作为顶级咨询公司，平台大、项目资源丰富，能接触多元化业务场景
- LLM是当前前沿技术方向，技能积累价值高，职业竞争力强
- 职位涉及全栈AI开发（模型、框架、监控、部署），技术深度广
- 公司提供完善的培训体系和国际化工作环境
- 需要同时掌握多种LLM框架和云平台，技术栈学习曲线陡峭
- 可能涉及高强度项目交付，尤其在审计高峰期，工作节奏较快
- GenAI领域发展迅速，需要持续学习跟进，对自我驱动力要求高
- 适合有2年以上AI/ML开发经验、对LLM技术有热情、喜欢解决复杂问题并愿意在跨国公司环境中成长的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕LLM和GenAI领域，成为架构师或首席科学家
- 管理路线：积累项目带教经验后，转型AI团队技术Lead或经理
- 行业跨界：将AI能力应用于审计、咨询等专业领域，成为复合型专家
- 设计和实现基于LLM的应用程序，从概念验证到生产部署，使用Langflow、LangChain等框架
- 集成Datadog等监控工具，对LLM应用进行端到端追踪、性能优化和成本控制
- 与业务方和数据科学家协作，识别AI应用场景，推动 GenAI 技术落地
- 持续跟踪前沿技术，参与模型评估、实验和最佳实践研究
- 精通Python及面向对象设计，有扎实的软件工程基础
- 深入理解LLM框架（LangChain、Langflow、Hugging Face）和MLOps实践
- 熟悉云原生技术（Docker、Kubernetes、AWS/Azure/GCP）
- 具备优秀的跨团队沟通能力，能将复杂技术方案转化为业务价值
申请策略
- 面试前了解普华永道数字化转型业务，尤其是AI在审计和咨询中的应用场景
- 准备一个完整的LLM项目案例，涵盖设计、开发、监控全流程
- 重点突出LLM相关项目经验，包括使用的框架、部署方式和业务成果
- 强调Python功底和云原生技能（Docker、K8s、云平台实战）
- 展示对可观测性和MLOps的理解，附上具体监控或CI/CD案例
- 如有开源贡献或技术博客，可体现技术影响力
- 自学Langflow和LangChain，动手搭建一个RAG或Agent应用
- 熟悉Datadog LLM Observability功能，可通过官方文档或沙箱环境练习
面试指南
- STAR法则：阐述情境、任务、行动和结果，突出技术选型和量化成果
- 对比分析法：比较不同技术方案的权衡，展现决策能力和深度
- 具体案例结合最佳实践：不仅说做了什么，还要说为什么这么做及学到什么
- 请描述你过去一个成功的LLM项目，从需求到上线的过程及挑战
- 如何选择LLM框架（如LangChain vs. LlamaIndex）？它们在RAG场景中的优劣？
- 你如何监控和优化生产环境中LLM应用的性能？使用过哪些工具？
- 如何处理LLM的幻觉和安全性问题？
- 在团队中如何推动GenAI技术采用？请举例说明
职位点评
66
综合评分
大厂前沿LLM技术岗，技术成长极快，但WLB一般，适合有热情的AI工程师。
更适合这类人
该职位最适合追求技术成长、热爱前沿GenAI领域的工程师，对工作强度有心理预期并希望在大平台积累经验。
表现最好
成长发展
相对薄弱
工作生活
薪资福利70
成长发展90
工作生活40
使命价值65
薪资福利
70中等
普华永道作为国际知名公司，薪资福利有竞争力，但JD中未明确薪资和福利细节，补偿性动机满足度中等偏上。
薪资信号未披露（AI估算：35K-60K/月）
成长发展
90较高
职位涉及LLM前沿技术栈，有明确的模型开发、监控和研究职责，成长机会极佳。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、Langflow、GenAI、MLOps、Datadog、Kubernetes、Cloud
成长机会Research & Continuous Improvement、Staying current with techniques、Lead and participate in research
业务类型ambiguous
工作生活
40较低
JD中未提及弹性工作或远程办公，审计行业可能加班较多，工作生活平衡挑战较大。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
65中等
LLM应用能推动审计数字化转型，有一定创新价值，但非直接社会影响力岗位。
行业发展高速增长赛道
社会影响中性/一般
使命信号drive business value、innovation and value creation
创新程度积极采用新技术
Watch Jobs