满帮集团
数据工程开发高级工程师
数据工程开发高级工程师
发布于 3 天前普通员工/个人贡献者
中国
高级经验
全职员工
仅现场办公
学历未注明
软件工程
Llm
Prompt Engineering
Rag
向量数据库
多轮对话
AI 估算 · 25k–45k
高级AI工程师，大模型方向热门，市场薪资较高，结合一线城市水平估算。
职位详情
关于这个职位
这是一个深度参与大模型应用开发与AI Agent系统构建的高级工程师岗位
你将负责基于LLM开发智能问答、多轮对话等系统，设计RAG和Agent核心能力，推动前沿AI技术落地业务场景
适合对Agent、Prompt Engineering和系统架构有热情的技术人才
最低要求
必备能力（核心筛选）
具备实际LLM应用开发经验（非简单调用API）
熟悉至少一种LLM API（如OpenAI / Claude / 通义千问 / 文心一言）
有Agent系统开发经验，理解以下至少两项：任务规划（Planning）、工具调用（Tool Use / Function Calling）、长短期记忆（Memory）
熟悉Prompt Engineering，能够系统性优化提示词
有RAG系统设计与实现经验（向量检索、embedding、召回优化等）
熟悉多轮对话系统 / Chatbot开发
后端工程能力（工程落地）
Python方向（优先）：熟悉FastAPI / Flask / Django等至少一种框架
熟悉Python异步编程（asyncio）
Java方向（可选）：熟悉Spring Boot / Spring Cloud微服务架构
通用能力：
具备良好的API设计能力（RESTful / 微服务）
有并发处理经验（如Celery / Kafka / 消息队列）
熟悉数据库（MySQL / PostgreSQL / Redis）
有良好的代码结构设计与工程规范
工作职责
负责基于大语言模型（LLM）的应用开发与落地，包括但不限于智能问答、AI Agent、多轮对话系统等
设计并实现基于LLM API（如OpenAI / Claude / 通义千问 / 文心一言）的业务系统
构建和优化Agent系统，包括任务规划（Planning）、工具调用（Tools）、记忆（Memory）等核心能力
基于LangChain / LangGraph / AutoGen / CrewAI等框架进行开发与架构设计
设计和优化Prompt Engineering（提示词工程），提升模型效果与稳定性
构建RAG（检索增强生成）系统，结合向量数据库提升知识问答能力
实现Function Calling / Tool Calling，打通外部系统与LLM能力
开发和优化多轮对话系统 / Chatbot，提升用户体验与上下文理解能力
参与AI能力的服务化与平台化建设（API服务、模型服务、Agent平台等）
与产品、算法团队协作，推动AI能力在业务中的落地
优先资格
加分项（强烈优先）
有完整的Agent系统项目经验（而非简单调用模型API）
实现过以下能力之一：多工具调用（Tool Chain）、自动任务拆解（Planning）、Agent Memory机制（长期记忆 / 短期记忆）
有AI服务化 / 平台化经验（如模型服务平台、Agent平台、AI中台）
使用过向量数据库（Milvus / FAISS / Pinecone 等）
有复杂系统架构经验（高并发 / 高可用）
有开源项目或技术博客
AI 洞察
优缺点分析
优点
- 深度参与前沿AI Agent系统的从0到1建设，技术积累价值高
- 大模型应用落地处于行业风口，职业前景广阔
- 公司已上市，业务稳定，技术氛围浓厚，团队快速迭代
- 技术迭代快，需要持续学习跟进最新框架和模型
- 业务落地要求高，需平衡模型效果与工程稳定性
- 工作强度可能较大，尤其是项目快速推进阶段
缺点 / 挑战
- 适合对AI Agent和LLM应用有强烈兴趣，具备扎实工程能力，乐于挑战前沿技术的后端开发者
角色解读
- 向AI架构师或技术专家方向发展，深耕Agent和LLM应用领域
- 可转型为AI平台负责人或产品技术负责人，主导业务落地
- 积累前沿技术经验后，向算法科学家或技术管理者发展
- 负责基于LLM的AI应用开发，包括智能问答、AI Agent、多轮对话系统等
- 设计并实现LLM API集成的业务系统，构建RAG和Agent核心能力
- 参与AI服务的平台化建设，与产品、算法团队协作推动落地
- 扎实的Python后端开发能力，熟悉FastAPI/Django等框架及异步编程
- 深入理解LLM API、Prompt Engineering、RAG和Agent架构
- 熟悉向量数据库、消息队列和数据库技术，具备系统设计能力
申请策略
- 了解满帮集团的业务场景（货运物流），思考AI在其中的应用点
- 在简历或面试中准备一个完整的Agent项目案例，从规划到实现
- 突出LLM应用开发项目经验，尤其是Agent、RAG系统的实际落地案例
- 展示Prompt Engineering优化成果和工具链构建经历
- 强调后端工程能力，包括高并发、系统设计及API设计经验
- 附上技术博客或开源项目链接，体现技术深度
- 深入学习LangChain/LangGraph等Agent框架，动手实践完整Agent系统
- 熟悉至少一种向量数据库（如Milvus）和Embedding技术
面试指南
- 采用STAR法则：情境-任务-行动-结果，突出技术细节和量化成果
- 先阐述核心原理，再结合实际项目中的权衡与决策
- 展示系统设计思维，包括可扩展性、容错性和性能优化
- 请描述你设计的一个Agent系统，包括任务规划、工具调用和记忆机制
- 如何优化Prompt Engineering来提升特定任务的准确率和稳定性？
- 在处理高并发请求时，如何保证LLM API调用的性能和可靠性？
- RAG系统中，向量检索的召回率如何优化？有哪些常用策略？
- 你对LangChain框架的理解？它的优缺点是什么？
职位点评
65
综合评分
前沿AI Agent技术岗，快速发展机会多，但薪资和WLB信息不明确。
更适合这类人
适合追求技术成长、热爱前沿AI技术的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活40
使命价值70
薪资福利
60中等
薪资水平未明确，但高级AI工程师市场薪资较高；福利未提及，整体补偿性一般。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
岗位深度参与前沿LLM与Agent系统建设，技术前沿性强，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、LangChain、Prompt Engineering、向量数据库
成长机会深度参与 AI Agent系统从0到1建设、参与前沿 LLM 应用落地（非Demo级）、技术氛围浓厚，快速迭代
业务类型ambiguous
工作生活
40较低
未提及远程或弹性工作，地点不明确，WLB信号缺失。
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行业高速增长，岗位推动技术落地，具有一定社会价值，但使命感不强。
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