长江存储
大模型智能体工程师(J14582)
大模型智能体工程师(J14582)
发布于 大约 6 小时前普通员工/个人贡献者
武汉市
高级经验
全职员工
仅现场办公
硕士
软件工程
Autogen
Llm
Machine Learning
Nlp
Pytorch
Rag
Tensorflow
Openai Assistants
AI 估算 · 25k–45k
武汉高级AI工程师岗位，要求6年+经验且技能稀缺，薪资有竞争力，中位数约35k/月。
职位详情
关于这个职位
该职位负责设计与部署具备任务规划、工具调用能力的AI Agent系统，优化RAG管线以提高检索生成质量，并实现高性能推理管线的工程落地
你将与跨功能团队协作，将AI服务集成到业务产品中，适合具备深厚NLP/ML功底和实战经验的工程师
最低要求
教育背景：计算机科学、人工智能、机器学习或相关专业的硕士及以上学位
工作经验：具备6年以上在机器学习（ML）或自然语言处理（NLP）工程岗位上的实战经验
技术功底：精通Python，并熟练掌握主流AI/ML框架（如PyTorch、TensorFlow、Hugging Face）
实战案例（需具备以下证明）：拥有构建和部署AI Agent的实际经验（熟练使用LangChain、AutoGen、或OpenAI Assistants等）
拥有利用向量数据库（如Pinecone、FAISS、Weaviate、或Milvus）设计RAG管线的成熟经验
拥有在自定义/私有数据集上微调大语言模型（LLM）的成功经验
理论基础：深刻理解NLP核心概念、文本向量化（Embeddings）、提示词工程（Prompt Engineering）以及模型评估机制
理解大模型、RAG、Agent的技术原理，有RAG、Agent相关的实际项目经验
工作职责
Agent系统开发：设计、开发和部署具备任务规划、工具调用及自主工作流执行能力的AI Agent系统
RAG管线优化：构建并优化RAG（检索增强生成）管线，包括文档切片（Chunking）、文本向量化（Embeddings）、向量检索以及检索流的编排
工程落地与运维：实现高性能的推理管线，并在生产环境中监控模型的运行表现
与跨功能团队协作，将AI服务无缝集成到业务产品和内部平台中
AI 洞察
优缺点分析
优点
- 前沿技术领域：大模型Agent和RAG是当前AI应用热点，技能积累价值高
- 武汉总部岗位，生活成本相对一线城市低，兼顾发展机会与生活质量
- 长江存储作为半导体行业龙头，平台稳定，资源充足，可深入落地工业级AI系统
- 技术栈较新，需要持续跟进大模型和Agent框架的快速迭代
- 跨团队协作频繁，对沟通和业务理解能力有一定要求
- 适合有多年NLP/ML工程经验、热爱大模型和Agent技术、希望在半导体行业深耕AI落地的资深工程师
缺点 / 挑战
- 年+经验要求较高，候选人需有扎实的工程落地能力，而非仅理论研究
角色解读
- 深化AI Agent和RAG技术，成为团队内的大模型应用专家
- 向AI架构师或技术负责人发展，主导更复杂的AI系统设计与跨团队协作
- 随着长江存储AI战略推进，可转型为AI产品经理或AI解决方案专家
- 设计并开发AI Agent系统，使其具备任务规划、工具调用和自主工作流执行能力
- 构建和优化RAG管线，涵盖文档切片、向量化、检索及流程编排，提升生成质量
- 将模型部署到生产环境，监控性能表现，并与产品、平台团队协作集成AI服务
- 精通Python，并熟练掌握PyTorch、TensorFlow、Hugging Face等主流框架
- 有实际构建AI Agent的经验，熟悉LangChain、AutoGen或OpenAI Assistants等工具
- 具备RAG管线实施经验，熟悉向量数据库（如Pinecone、FAISS、Weaviate、Milvus）
- 扎实的NLP理论基础，理解Embeddings、Prompt Engineering、模型微调及评估方法
申请策略
- 投递前了解长江存储在AI方面的战略方向，面试中展示你对将AI应用于半导体/制造业的理解
- 强调跨团队协作经验，因为该岗位需要与产品、平台等部门紧密配合
- 突出AI Agent项目经验，详细描述使用的框架（LangChain等）和实现的关键功能
- 展示RAG管线从零到一的构建过程，包括向量数据库选择、切片策略、检索优化等
- 列出LLM微调的具体案例，说明数据集、微调方法和效果提升
- 强调Python编程能力和主流框架掌握程度，可附上GitHub或技术博客链接
- 若缺少Agent实战，可快速学习LangChain官方教程并完成一个小型Agent项目
- 补充对向量数据库（如Milvus）的性能调优知识，了解不同索引方式的差异
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
- 对于技术设计问题，先澄清需求边界，再分步骤说明方案，并权衡不同选择的利弊
- 对于性能优化问题，从模型层面、工程层面和基础设施层面分维度阐述
- 请描述一个你构建的AI Agent系统，包括架构设计、工具调用流程和遇到的挑战
- 你如何设计和优化RAG管线？请举例说明文档切片策略和检索排序方法
- 你在私有数据集上微调LLM时，如何处理数据标注和模型过拟合问题？
- 解释一下Prompt Engineering中System Prompt和User Prompt的设计原则，并给出一个实际案例
- 当生产环境中大模型推理延迟过高时，你会采取哪些优化措施？
职位点评
68
综合评分
武汉前沿AI岗，聚焦Agent和RAG，技术成长空间大，但现场办公且WLB信号弱。
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
最适合看重技术成长和行业前沿的资深工程师，对工作地点和弹性要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展85
工作生活40
使命价值60
薪资福利
75中等
薪资处于武汉高端AI岗位水平，具备竞争力；长江存储作为大型企业福利较完善，但JD未明确列出具体福利。
薪资信号面议 (25K-45K/月)
成长发展
85较高
职位涉及大模型Agent、RAG等前沿技术，深度与广度兼具；但JD未明确提及晋升通道或培训计划。
技术前沿前沿/新兴技术
技术栈Agent、RAG、LLM、LangChain、Vector Database、PyTorch、TensorFlow
业务类型ambiguous
工作生活
40较低
仅现场办公，无远程或弹性工时信息；武汉科技园办公，通勤可能一般；未提及WLB相关福利。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
60中等
半导体行业是国家战略性产业，具有一定的行业使命感，但JD未表达明确的社会价值导向。
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