吉利汽车
软件开发岗
软件开发岗
发布于 大约 1 小时前普通员工/个人贡献者
人工智能
Faiss
Llm
Numpy
Prompt Engineering
Pytorch
Rag
Requests
Sql
Tensorflow
AI 估算 · 25k–45k
职位详情
关于这个职位
这是一个在吉利汽车从事大模型应用开发的岗位，核心工作是利用Python、PyTorch等工具，结合文心一言等大模型API，构建RAG知识库和智能问答系统，并负责模型的微调与部署
适合对LLM技术栈有深入理解、具备较强工程化能力的算法工程师
最低要求
硕士及以上学历，计算机、人工智能、软件工程、数据科学、数学、统计、电子信息及相关专业
六级必备，六级/读写能力优先（读技术文档）
自驱力强，能快速跟进大模型新技术
能把业务问题转化为技术方案
跨团队对接，推动需求落地
工作职责
熟练 Python 语法、数据结构
会用 Pandas、NumPy、Requests 等库
加分：Java/Go/JavaScript 任选一门
了解 Git、Linux 基础命令
熟悉主流 LLM（如文心一言、通义千问）API 调用
掌握提示词工程、RAG 知识库搭建、向量库（如 FAISS）基础、Agent 框架（如 LangChain）
了解常用模型（LR、CNN、Transformer）
懂训练/微调/部署基本流程
会用 PyTorch/TensorFlow 至少一个框架
数据清洗、预处理基础
会用 SQL 查数
会用 FastAPI/Flask 写接口
了解前后端联调
了解 Docker、服务器基础、API 封装与联调
项目经验：有 LLM 应用、智能问答、RAG、文本/图像识别等个人/课程/实习项目
GitHub 有开源贡献
竞赛经历：Kaggle、MathorCup、AI 创新大赛等获奖
实习经历：AI 公司、互联网大厂相关岗位实习
技术沉淀：技术博客、公众号、分享演讲
熟悉多模态、模型微调、轻量化部署
优先资格
加分项：Java/Go/JavaScript 任选一门
了解 Git、Linux 基础命令
熟悉主流 LLM（如文心一言、通义千问）API 调用
掌握提示词工程、RAG 知识库搭建、向量库（如 FAISS）基础、Agent 框架（如 LangChain）
了解常用模型（LR、CNN、Transformer）
懂训练/微调/部署基本流程
会用 PyTorch/TensorFlow 至少一个框架
数据清洗、预处理基础
会用 SQL 查数
会用 FastAPI/Flask 写接口
了解前后端联调、Docker、服务器基础、API 封装与联调
有 LLM 应用、智能问答、RAG、文本/图像识别等个人/课程/实习项目
GitHub 有开源贡献
Kaggle、MathorCup、AI 创新大赛等竞赛获奖
AI 公司、互联网大厂相关岗位实习
技术博客、公众号分享、演讲
熟悉多模态、模型微调、轻量化部署
AI 洞察
优缺点分析
优点
- 技术前沿：深度参与大模型、RAG、Agent等前沿技术，技能积累含金量高，市场稀缺性强
- 平台优势：吉利作为跨国巨头，平台稳定，资源丰富，能为技术落地提供较好的场景与数据支撑
- 成长性好：岗位要求自驱学习，能快速跟进新技术，个人成长速度快
- 业务落地难：大模型应用在汽车场景仍处于探索期，需要较强的业务抽象与工程化能力
- 适合对LLM应用、RAG、Agent等技术有浓厚兴趣，自驱力强，能快速学习新技术，并愿意在汽车智能化场景下做深度落地的算法工程师
缺点 / 挑战
- 技术迭代快：大模型领域日新月异，需要持续学习，技术压力较大
- 跨团队协作多：需要与产品、业务、数据等多方对接，沟通成本较高
角色解读
- 技术路线：初级算法工程师 → 高级算法工程师 → 技术专家/架构师，可向大模型应用架构、AI平台方向纵深发展
- 管理路线：可转向技术管理、团队负责人（Tech Lead）或项目负责人，负责大模型应用项目的整体推进
- 行业路线：在汽车智能化、AI大模型应用领域积累深厚经验，可向AI产品经理或解决方案架构师转型
- 负责大模型应用的核心开发，包括基于文心一言、通义千问等LLM的API调用与集成，构建RAG知识库和Agent智能体应用
- 参与模型微调、部署与轻量化，使用PyTorch/TensorFlow等框架完成训练、调优与上线
- 负责数据清洗、预处理与特征工程，使用SQL进行数据查询与分析
- 使用FastAPI/Flask编写后端接口，并参与前后端联调、Docker容器化部署与API封装
- 扎实的Python编程能力，熟悉Pandas、NumPy、Requests等常用库
- 熟悉主流LLM（文心一言、通义千问等）的API调用，掌握提示词工程、RAG知识库搭建、向量库（如FAISS）与Agent框架（如LangChain）
- 了解常用模型（LR、CNN、Transformer），掌握PyTorch/TensorFlow至少一个框架，具备模型微调与部署经验
- 具备数据清洗、预处理能力，熟悉SQL查询，了解Docker、前后端联调与API封装
申请策略
- 关注吉利汽车智能化战略方向，了解大模型在汽车场景（如智能座舱、智能问答）的落地路径
- 在GitHub上完善开源贡献，保持技术博客或公众号输出，形成个人技术品牌
- 突出LLM应用项目经验：重点描述基于大模型的应用（如智能问答、RAG、Agent）从0到1的落地过程，包括技术选型、架构设计与效果评估
- 突出工程化能力：体现Python、PyTorch/TensorFlow、FastAPI等工程能力，以及Docker部署、前后端联调经验
- 突出业务抽象能力：如何将业务问题转化为技术方案，体现跨团队推动落地的能力
- 补充Agent/LangChain等框架的深度使用经验，可提前搭建个人RAG项目
- 熟悉多模态、模型微调（如LoRA、QLoRA）与轻量化部署（如ONNX、TensorRT）技术
- 积累SQL、Docker、前后端联调等工程化技能，提升全栈能力
面试指南
- 用STAR法则（情境-任务-行动-结果）组织项目介绍，突出个人贡献与技术难点
- 从数据清洗、向量化、检索、重排到LLM生成，讲清RAG全链路，并给出量化效果指标
- 对比LangChain与原生编排的优劣，结合业务场景说明选型理由
- 请介绍一个你主导的LLM应用项目，包括技术选型、架构设计与落地效果
- 如何构建一个RAG知识库？向量库选型、切片策略、召回与重排如何设计？
- LangChain等Agent框架的原理与适用场景？如何设计一个稳定的Agent？
- 你如何跟进大模型新技术（如多模态、长文本、推理模型）？
- 如何将一个业务问题抽象为技术方案并推动跨团队落地？
职位点评
70
综合评分
大厂平台、前沿技术栈、薪资有竞争力，但WLB一般、需现场办公。
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
适合以发展性动机为主、对LLM应用与汽车智能化落地有强烈兴趣，且能接受现场办公与一定技术迭代压力的算法工程师。
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90
工作生活40
使命价值75
薪资福利
70中等
岗位要求硕士学历并掌握大模型、RAG等前沿技术栈，薪资在宁波地区具备竞争力，且上市公司福利体系完善，但JD未明确给出具体薪资区间与福利细节。
薪资信号面议 (25K-45K/月)
成长发展
90较高
岗位深度聚焦LLM、RAG、Agent等前沿技术，要求自驱力强、能快速跟进新技术，并鼓励技术分享与开源贡献，发展性动机能得到较好满足。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、LangChain、FAISS、PyTorch、TensorFlow、多模态、微调
成长机会技术博客、开源贡献、分享演讲
业务类型ambiguous
工作生活
40较低
岗位要求现场办公，未提及远程或弹性办公政策，工作地点在宁波，通勤便利性一般。
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
75中等
岗位属于汽车智能化、AI大模型应用方向，吉利作为大型车企推动智能化转型，具备一定的行业前景，但岗位本身偏重技术落地，社会意义感中等。
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
Watch Jobs