长江存储
AI开发工程师/专家(J13711)
AI开发工程师/专家(J13711)
发布于 大约 14 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
软件工程
CI/CD
Rag
大语言模型
数据处理
机器学习
知识库
AI 估算 · 20k–40k
上海AI高级岗位，大模型应用稀缺技能，行业薪资竞争力强，预计月薪2-4万。
职位详情
关于这个职位
这是一个面向资深AI开发者的岗位，核心任务是将大语言模型（如DeepSeek、OpenAI）融入公司业务，开发AI辅助工具和知识库系统，提升研发效率
你将负责RAG系统构建、自动化工具开发以及技术解决方案制定，需要具备扎实的AI理论基础和项目落地经验
适合有多个成功AI项目经验、熟悉大模型和DevOps流程的候选人
最低要求
教育背景：计算机科学、人工智能、数据科学或相关领域的本科及以上学历
专业技能：
AI理论基础：深厚的AI理论基础，熟悉机器学习、深度学习、自然语言处理等领域的最新技术和研究进展
大模型应用：熟悉大模型（如Transformer架构）的原理和特点，有实际应用和优化大模型的经验
RAG系统开发：有构建和优化RAG系统的经验，熟悉检索和生成模型的设计与实现
DevOps流程：熟悉自动化DevOps流程，有CI/CD工具（如Jenkins、GitLab CI/CD）的使用经验
编程能力：熟练使用Python、Java、C++等编程语言，有良好的代码编写习惯
数据处理：熟练使用数据处理和分析工具（如Pandas、NumPy、SQL），有处理大规模数据的经验
项目经验：
AI项目落地：有多个成功的AI项目落地经验，能够在实际业务场景中应用AI技术解决复杂问题
团队协作：有良好的团队协作和沟通能力，能够在跨职能团队中有效工作
软技能：
问题解决能力：具备强大的问题解决能力，能够在复杂的技术环境中找到最优解决方案
学习能力：快速学习新技术和新工具，保持对行业动态的敏感性
责任心：对工作有高度的责任感，能够在高压环境下保持高效和高质量的工作
工作职责
AI技术融合与优化：将人工智能技术，特别是大语言模型(e.g. DeepSeek , OpenAI, Qwen)，融入公司业务团队的开发测试流程，提升产品研发效率和质量
自动化工具开发：开发AI辅助工具，如代码审查工具、自动测试用例生成工具、性能瓶颈分析工具等，提高研发测试的自动化程度
数据处理与分析：利用大模型和AI工具处理大量研发测试数据，包括代码、测试用例、测试执行日志等，优化数据处理流程
AI知识库系统构建
知识库设计：设计和构建高效、准确的AI知识库系统，支持业务部门的专业知识生成和服务
RAG系统开发：构建和优化RAG（Retrieval-Augmented Generation）系统，实现从知识库中快速准确地检索相关信息，并生成高质量的业务文档和回答
AI辅助工具平台开发
工具平台设计：设计和开发AI辅助工具平台，提供统一的接口和工具集，支持多种AI应用
用户支持：为业务部门提供技术支持，确保AI工具平台的稳定运行和高效使用
技术解决方案制定
技术选型：根据项目需求，选择合适的大模型和技术框架，确保技术选型的合理性
架构设计：设计系统的整体架构，确保系统的可扩展性、可维护性和高性能
数据处理策略：制定数据处理策略，确保数据的准确性和一致性，优化数据流和存储方案
项目管理和团队协作
需求分析：与业务部门紧密合作，理解业务需求，提供技术解决方案
项目管理：跟踪项目进度，确保按时交付高质量的AI系统
团队协作：与团队成员协作，分享知识和经验，推动团队整体技术水平的提升
优先资格
实践经验：对AI落地场景有深入思考和实践经验，有成功将AI技术应用于实际业务场景的案例
创新思维：具备创新思维，能够在现有技术基础上提出新的解决方案和优化方法
行业背景：有相关行业（如半导体、存储、智能制造等）的背景和经验，了解行业特点和业务需求
AI 洞察
优缺点分析
优点
- 接触前沿AI技术（大模型、RAG），技能成长快，市场稀缺性高
- 融入制造业（半导体）实际业务场景，AI落地价值明确，成就感强
- 公司平台大（长江存储），职业发展空间广，薪资竞争力强
- 项目涉及全流程（从数据到部署），能系统性提升架构和工程能力
- 需要同时掌握AI理论和工程化能力（DevOps、数据处理），学习曲线陡峭
- 跨部门协作需求多，需与业务团队高效沟通，对软技能有一定要求
缺点 / 挑战
- 半导体行业对系统稳定性和性能要求较高，可能面临高压工作环境
- 适合有2年以上AI项目落地经验、热爱技术挑战、希望在制造业AI领域深耕的工程师
角色解读
- 技术深耕：成为AI架构师或大模型专家，主导核心AI系统设计与优化
- 管理方向：可晋升为技术团队负责人或项目负责人，带领团队完成复杂AI项目
- 行业专家：结合半导体/存储行业经验，转型为行业AI解决方案专家，推动业务创新
- 将大语言模型集成到研发测试流程，开发代码审查、测试用例生成等自动化工具
- 设计和构建AI知识库系统，利用RAG技术实现高效检索和文档生成
- 参与AI工具平台的设计与开发，为业务部门提供技术支持
- 负责技术选型、架构设计及数据处理策略，确保系统可扩展性和高性能
- 扎实的AI理论基础，熟悉机器学习、深度学习、NLP及大模型（Transformer）原理
- 丰富的RAG系统开发经验，熟悉检索和生成模型的设计与优化
- 熟练使用Python、Java、C++等编程语言，掌握Pandas、NumPy、SQL等数据处理工具
- 熟悉DevOps流程及CI/CD工具（如Jenkins、GitLab CI/CD），有自动化工具开发经验
申请策略
- 提前了解长江存储的业务和产品线，思考AI如何提升研发测试效率，准备具体建议
- 在简历或面试中强调对AI落地效果的量化评估能力，如提升效率百分比、降低成本等
- 突出大模型或RAG系统的实际项目案例，展示从数据到部署的全流程经验
- 强调自动化工具开发成果，如代码审查、测试生成等，用数据说明效率提升
- 展示DevOps和CI/CD实践经验，体现工程化能力
- 如有半导体或制造业背景，务必强调行业理解和业务洞察
- 复习Transformer架构原理及大模型微调技术（如LoRA、Prompt Engineering）
- 熟悉RAG相关框架（如LangChain、LlamaIndex）及向量数据库（如FAISS、Milvus）
面试指南
- 案例类问题用STAR法则：Situation（背景）、Task（任务）、Action（行动）、Result（结果），重点突出技术选型和效果量化
- 设计类问题从需求出发，先明确目标用户和场景，再分层阐述架构（如数据层、模型层、应用层），并权衡可扩展性与维护性
- 优化类问题先诊断现有瓶颈，再提出针对性改进（如数据清洗、模型微调、索引优化），并说明评估指标
- 请分享一个你成功将大模型应用到实际业务的案例，遇到了哪些挑战？
- 如何优化RAG系统的检索准确率和生成质量？
- 你如何设计一个可扩展的AI工具平台？需要考虑哪些非功能性需求？
- 描述一次你使用DevOps工具自动化测试或部署的经历
- 如果让你为公司构建一个内部AI知识库，你会如何设计数据流程和检索策略？
职位点评
68
综合评分
前沿AI技术栈，大厂平台，薪资中上，但工作强度和灵活性一般。
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
适合追求技术成长和前沿AI挑战、对薪资和加班有一定容忍度的求职者。
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90
工作生活40
使命价值70
薪资福利
65中等
薪资水平预计在市场中上，但JD未明示具体薪资和福利，需面试确认。作为半导体行业头部公司，稳定性较高。
薪资信号未披露（AI估算：20K-40K/月）
成长发展
90较高
职位聚焦前沿AI技术（大模型、RAG），涉及全栈开发，成长空间巨大。但JD未提及正式培训和晋升通道，需靠个人主动。
技术前沿前沿/新兴技术
技术栈大语言模型、RAG、Transformer、CI/CD、Python、DeepSeek
业务类型ambiguous
工作生活
40较低
仅现场办公，工作地点在上海（市区或园区未明确），未提及灵活工作制。半导体行业通常加班较多，需做好心理准备。
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
半导体行业稳定增长，AI赋能智能制造具有社会价值，但职位本身偏技术实现，使命感一般。
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
长江存储 的其他在招职位
相似职位推荐
Watch Jobs