歌尔股份
本体建模专家（知识图谱）(049547)
本体建模专家（知识图谱）(049547)
发布于 大约 7 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
本科
NLP工程
Neo4J
Owl
Rdf
信息抽取
图数据库
大模型
本体建模
知识图谱
Hugegraph
AI 估算 · 30k–55k
知识图谱+大模型复合型人才稀缺，一线城市中高级岗位薪资竞争力强，预计年薪40-80万。
职位详情
关于这个职位
该职位负责制造全领域的知识图谱架构设计与本体建模，需要深入理解工业场景，构建高扩展性Schema，并主导图数据库选型与性能调优
同时将结合大模型技术推进知识图谱在制造业务中的工程化落地，是AI技术在传统行业应用的关键角色
适合具备知识图谱和大模型复合背景、热爱技术挑战的工程师
最低要求
计算机、人工智能、自动化等相关专业，本科及以上学历，3年及以上知识图谱构建或本体建模研发经验，主导过工业或企业级大型图谱项目的架构设计
精通本体建模理论，熟练掌握 RDF、OWL 等本体设计规范，精通至少一种主流图数据库（如 NebulaGraph、Neo4j、HugeGraph 等）的架构设计、数据建模及查询性能调优
具备良好的信息抽取技术背景，掌握从海量工业文本/图纸标注/日志中抽取实体、属性及关系的技术与工具链
具备较强的业务理解力与跨部门沟通能力，能穿透复杂的制造业业务需求并转化为技术实施方案，抗压能力强
工作职责
本体设计与架构搭建：负责制造全领域（研发设计、生产制造、品质管理、供应链、财经等）的知识图谱总体架构设计与本体建模
抽象复杂工业场景并构建高扩展性的知识 Schema，主导图数据库的技术选型、高并发设计与性能调优
数据管道与知识融合：对接制造企业核心IT系统，制定多源异构数据（结构化数据与非结构化数据）的知识抽取、融合、对齐与动态更新规范，打通“工业数据-领域知识-业务决策”闭环
前沿AI落地与创新：深度结合大模型与知识图谱及本体建模技术，推进知识图谱在制造企业核心业务场景的技术方案工程化落地，持续优化工业级 AI 应用体验
优先资格
熟悉大模型与知识图谱在制造业的融合应用，具备知识增强生成、语义/混合检索及工业专家知识库构建经验者优先
AI 洞察
优缺点分析
优点
- 站在AI与工业结合的前沿，技术栈含金量高，积累知识图谱+大模型稀缺经验
- 跨部门协作多，可以锻炼业务理解力和影响力，职业发展空间广阔
- 工业场景复杂，业务需求多变，对技术方案的扩展性和鲁棒性要求很高
- 传统制造业企业技术氛围可能不如互联网，需要较强的自驱力推动落地
- 适合对知识图谱、AI工程化有深入积累，喜欢解决复杂业务难题，并希望在产业互联网领域发挥技术价值的资深工程师
缺点 / 挑战
- 上市公司平台大，业务场景丰富，能接触到制造全链条数据，挑战性强
- 需要同时掌握多种技术栈（本体、图库、NLP、大模型），学习压力大
角色解读
- 在制造业AI方向深耕，可成长为知识图谱/认知智能领域的专家，主导跨业务线的AI战略
- 横向拓展至大模型落地、工业智能决策等方向，成为企业数字化转型的核心技术骨干
- 有机会带团队，从IC转向技术管理，负责更广泛的AI平台和架构
- 负责制造全领域的知识图谱总体架构设计，包括本体Schema设计、图数据库选型与性能调优，需要深入理解研发、生产、供应链等业务领域
- 构建多源异构数据的知识抽取、融合与动态更新管道，将工业数据转化为可推理的领域知识，支撑业务决策
- 结合大模型技术（如知识增强生成、语义检索）推进知识图谱在制造业核心场景的落地，持续优化AI应用效果
- 精通本体建模理论，熟练掌握RDF、OWL等规范，能设计复杂领域的知识Schema
- 熟悉至少一种主流图数据库（如NebulaGraph、Neo4j、HugeGraph）的架构与调优，具备大型图谱项目经验
- 掌握信息抽取工具链，能从工业文本、图纸、日志中抽取实体关系，并具备大模型与KG融合应用的实践经验
- 具备跨部门沟通能力，能将复杂的业务需求转化为技术方案
申请策略
- 了解歌尔股份的智能硬件和智能制造业务，熟悉其数字化转型方向
- 在面试中强调技术如何服务于业务价值，而非仅停留在技术层面
- 突出主导过的工业级或企业级知识图谱项目的架构设计，展现从0到1的经验
- 详细描述图数据库选型、性能调优的具体案例，体现技术深度
- 强调大模型与知识图谱结合的项目经验，如知识增强生成、混合检索等
- 展示跨部门协作、推动业务落地的成果，匹配岗位对软素质的要求
- 熟悉RDF/OWL标准，并通过实际项目练习本体建模
- 掌握至少两种主流图数据库的运维和调优技巧，尤其是HugeGraph或NebulaGraph
面试指南
- 按照STAR法则回答项目经验，重点突出架构设计的难点和决策过程
- 对比技术选型时，从数据规模、查询模式、团队熟练度、扩展性等多维度分析
- 展示案例时，说明业务背景、技术方案、量化效果，体现业务导向思维
- 请介绍一个你主导过的知识图谱项目，包括本体设计是如何考虑的？
- 如何进行图数据库的选型？对比过哪些方案？在性能调优方面有哪些经验？
- 如何从非结构化数据中抽取实体和关系？你使用过哪些工具链？
- 大模型与知识图谱结合有哪些方式？在工业场景中如何落地？
- 如何理解和平衡业务的复杂需求与技术实现的成本？
职位点评
68
综合评分
制造业巨头高含金量AI技术岗，知识图谱+大模型前沿方向，发展潜力大但WLB一般。
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
最适合重视技术成长和职业发展、愿意接受挑战并承受一定工作压力的求职者。
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85
工作生活45
使命价值60
薪资福利
70中等
职位薪资未披露，但岗位定位高级，预计薪酬在市场中有竞争力；上市公司福利相对完善。
薪资信号未披露（AI估算：30K-55K/月）
成长发展
85较高
技术栈前沿（知识图谱+大模型），岗位成长性高，能积累稀缺的复合型技能，职业发展潜力大。
技术前沿前沿/新兴技术
技术栈知识图谱、本体建模、RDF、OWL、图数据库、NebulaGraph、Neo4j、HugeGraph、大模型、信息抽取
业务类型ambiguous
工作生活
45较低
工作地点在北京/上海，需现场办公，未提及弹性或远程；JD明确要求抗压能力强，可能工作强度较大。
工作模式未明确
办公地点未明确
加班情况JD含高强度暗示词
使命价值
60中等
将AI技术落地到制造领域，有助于产业升级，具有一定社会价值，但直接影响力有限。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
歌尔股份 的其他在招职位
相似职位推荐
Watch Jobs