万兴科技
AI应用开发工程师（AI Agent方向）
AI应用开发工程师（AI Agent方向）
发布于 13 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Agent框架
Llm
Rag
向量数据库
提示词工程
系统设计
值不值得投
73综合评分
综合评分 73
前沿AI Agent方向校招，技术成长空间大，薪资与稳定性兼备，办公模式与节奏待明确。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
2万
比人工智能中位数低
发布情况
正常在招 · 13 天前发布
公司情况
这家公司招聘很活跃
约 180 个在招 · 其中人工智能 4 个
市场机会
选择适中
长沙 · 人工智能 · 11 个在招
职位详情
关于这个职位
该职位是面向2027届应届毕业生的AI应用开发工程师，专注于AI Agent（智能体）方向
你将负责从架构设计到核心开发的全流程，主导大模型技术选型与集成，构建RAG系统和Agent工作流引擎，并深入实践提示词工程
这是一个深入AI前沿技术并将其应用于实际业务的宝贵机会
最低要求
届硕士及以上应届毕业生，计算机、人工智能、软件工程等相关专业
扎实的工程基础：精通Python，熟悉Golang/Java/TypeScript至少一种，具备良好的软件工程素养与系统设计能力
AI应用经验：深入理解大模型原理（Token、Attention、上下文窗口等），熟悉主流大模型的API调用与应用开发经验
Agent框架熟悉度：了解LangChain、LlamaIndex、Dify、AutoGen等至少一种Agent开发框架
RAG实践经验：熟悉向量数据库（Milvus/Pinecone/Weaviate等）及检索优化策略
工程化思维：熟悉Docker/Kubernetes等容器化技术，具备AI应用的可观测性、可扩展性设计能力
工作职责
负责AI Agent应用的整体架构设计与核心开发，包括多Agent协作调度、任务规划与分解、工具调用、记忆管理等核心能力构建
主导大模型的技术选型与集成工作，评估主流LLM/多模态大模型在具体业务场景中的适用性，制定模型调用策略
设计并实现高可用的RAG（检索增强生成）系统，优化向量数据库检索、重排序（Rerank）、长文本上下文管理等关键环节
构建Agent工作流编排引擎，支持复杂业务场景下的多步骤、多分支、多Agent协同任务自动化
深入实践提示词工程，持续优化Agent的推理质量与输出稳定性
跟进Agent技术前沿，推动新技术在业务场景中的落地验证
优先资格
有完整的AI Agent应用项目开发经验，并有可展示的Demo或开源项目
深入理解ReAct、Plan-and-Solve、Tree-of-Thoughts等Agent推理范式
有Function Calling/Tool Use的深度实践，熟悉OpenAI Functions或类似机制
有RAG系统的端到端构建经验（含数据清洗、索引构建、检索优化、生成增强全链路）
在ACM-ICPC、Codeforces、Kaggle等竞赛中取得优异成绩
有开源项目贡献（尤其是AI/Agent相关开源项目）
AI 洞察
优缺点分析
优点
- 技术前沿性：工作内容聚焦于当前AI领域最热门的Agent方向，能接触和掌握最前沿的技术栈
- 校招培养体系：作为知名科技公司的校招生，通常拥有完善的培养计划和导师资源
- 项目价值高：参与的AI Agent项目可能直接应用于公司核心产品，影响范围和技术价值显著
- 技术门槛高：需要同时具备扎实的工程能力、AI理论知识和系统设计思维，对候选人综合能力要求极高
- 适合对AI应用开发有浓厚兴趣，具备扎实编程和系统设计基础，愿意深耕Agent技术方向，并追求技术成长的2027届计算机相关专业硕士毕业生
缺点 / 挑战
- 技术迭代快：AI领域技术日新月异，需要持续跟进和学习以保持竞争力，可能存在一定的知识更新压力
角色解读
- 纵向发展路径：从AI应用开发工程师成长为AI Agent系统架构师、技术专家或技术团队负责人
- 横向拓展方向：可以深耕于多模态AI、强化学习、AI产品经理或转向AI研究领域
- 专业领域：专注于特定垂直领域（如创意工具、企业办公）的AI Agent解决方案构建
- 设计和开发基于大模型的AI Agent应用核心模块，如多智能体协作、任务规划和记忆管理
- 进行大模型技术选型与集成，并构建高可用的RAG（检索增强生成）系统来增强模型的知识和准确性
- 实现Agent工作流编排引擎，并运用提示词工程优化AI系统的推理能力和输出质量
- 扎实的工程开发能力，精通Python，熟悉至少一门后端语言（如Golang/Java），并有良好的软件工程素养
- 深入理解大模型原理和应用，具备主流LLM的API调用经验，熟悉至少一种Agent开发框架（如LangChain、LlamaIndex）
- 拥有向量数据库和RAG系统实践经验，熟悉检索优化策略，并了解容器化技术（Docker/Kubernetes）
申请策略
- 在面试中，准备一个能清晰展示你技术思考和解决问题能力的项目案例，从需求分析到技术选型再到实现
- 主动了解万兴科技在AI应用领域的产品布局和战略方向，思考你的技能如何与公司业务结合
- 突出与AI Agent、LLM、RAG相关的课程项目、个人项目或实习经历，最好能附上Demo链接或开源项目
- 详细描述在项目中使用Python进行开发的具体经验，以及处理大模型API调用、数据处理或系统设计的关键细节
- 如果有参加过ACM-ICPC、Kaggle等竞赛并获得好成绩，或在开源社区有贡献，务必重点展示
- 通过官方文档和教程，深入实践至少一种Agent框架（如LangChain），并尝试构建一个简单的RAG应用Demo
- 针对“ReAct”、“Plan-and-Solve”等Agent推理范式进行学习，并在小项目中尝试实现
- 提升对Docker/Kubernetes等云原生技术的理解，能够描述AI应用容器化部署的基本流程
面试指南
- 采用STAR法则（情境-任务-行动-结果）来结构化回答项目经验问题，重点突出你的个人贡献和技术决策
- 对于系统设计类问题，先明确核心目标和约束条件，再分层（如数据层、模型层、调度层、应用层）阐述架构，并解释关键技术选型的理由
- 对于框架和理论类问题，结合具体项目经验说明你的理解，避免空谈概念，并可以提及不同方案的优缺点和适用场景
- 请介绍一个你做过的与AI Agent或大模型相关的项目，你在其中负责了什么？遇到了什么技术难点，如何解决的？
- 你对RAG系统是如何理解的？请描述一个从数据处理到检索再到生成增强的完整流程
- 如果让你设计一个多Agent协作的系统来完成一个复杂任务（如自动化报告生成），你会如何架构？
- 你使用过哪些Agent开发框架（如LangChain）？请对比一下它们的特点或你更倾向于使用哪个？为什么？
- 谈谈你对提示词工程的理解，在优化Agent输出质量时，你会从哪些方面入手？
职位点评
薪资福利65
成长发展85
工作生活60
使命价值75
薪资福利
65中等
该职位为校招岗位，薪资处于市场中等偏上水平，作为上市公司能提供相对稳定的职业起点。
薪资信号市场水准 (1.5千–2.5万/月)
成长发展
85较高
该职位要求深入实践AI最前沿的Agent技术，技术栈新颖，且作为校招生通常有系统的培养路径，对技术成长驱动强。
技术前沿前沿/新兴技术
技术栈Python、LLM、Agent、RAG、LangChain、向量数据库、Docker、Kubernetes
业务类型profit_center
工作生活
60中等
工作地点在长沙或深圳，为线下办公。校招岗位通常有较好的团队氛围，但未提及具体的工作时间和弹性安排。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
AI Agent是赋能各行业智能化转型的关键技术，参与此方向能感受到推动技术落地的价值感。
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