Artificial Intelligence Engineer

优缺点分析

角色解读

• 从单点智能体开发逐步走向 AI 平台化与架构设计，成长为 AI 应用架构师或研发效能方向的技术负责人
• 身处跨国研发体系，可接触到多职能、多国家的真实工业场景，积累稀缺的『制造业 AI 落地』经验
• 汽车行业智能化转型正在推进，这类经验可迁移到其他制造、工业软件与自动化场景
• 面向公司内部软件、硬件、结构等研发部门，构建能自主推理、规划并执行复杂任务的 AI 智能体系统
• 让智能体自主调用工具、在长对话中保持状态，并封装成安全、模块化的 API 接入外部系统
• 用 RAG 与多模型路由方案在成本、延迟、推理能力之间做取舍，把 AI/ML 产品真正上线到生产环境
• 同时要深入业务部门调研研发自动化诉求，把模糊需求翻译成可落地的技术方案
• 扎实的 Python 后端开发能力，能设计、部署并保障被模型调用的 API 服务稳定性
• 精通 Prompt Engineering，并有 Function Calling / Tool Use 接口的实操经验，熟悉国内主流大模型的插件与平台规范
• 理解 RAG 检索增强与多模型调度策略，能在成本、延迟与效果之间做工程权衡
• 此外需具备 C# Windows 应用开发能力与熟练英语口语，能与跨国团队和内部多职能同事协作

申请策略

• 该岗位服务于内部研发自动化，简历与面试尽量围绕『自动化替代重复人工流程、提升研发效率』来组织叙事，比单纯强调模型效果更贴合需求
• 提前了解法雷奥在电动化、智能驾驶与可持续发展方面的战略，体现你对汽车研发流程的基本理解
• 重点写一个从 0 到 1 的智能体或 LLM 应用项目，讲清任务规划、工具调用、状态管理的实现细节
• 用数据量化 RAG 或模型路由带来的效果提升，如准确率、响应延迟、调用成本的变化
• 展示 Python 后端 API 的设计与生产部署经验，包括鉴权、限流、监控等工程细节
• 如有 C#/Windows 工具或桌面应用开发经历务必单列，这是该岗位相对稀缺的差异化要求
• 补齐 Function Calling、Tool Use 乃至 MCP 等工具调用规范的实操，最好能演示一套自建工具链
• 熟悉阿里云百炼、百度千帆、华为云 ModelArts 等平台的模型接入、配额与计费方式，面试时能讲出选型逻辑

面试指南

• 项目类问题用 STAR 结构：业务痛点 → 你的方案选型与备选 → 关键实现细节 → 量化结果与复盘
• 技术类问题按『目标—方案—权衡—复盘』回答，主动说出被否决的方案和踩过的坑，体现工程判断力
• 需求转化类问题用『调研—拆解—小步验证—迭代交付』四步法，说明你如何与多职能团队对齐优先级
• 请介绍一个你设计过的 AI Agent 系统，它如何做任务规划与工具调用？
• 在多轮长对话场景下你如何管理状态与上下文，遇到过哪些失败案例？
• RAG 的效果你如何评估？召回不准或答非所问时怎么优化？
• 如果要在成本、延迟和推理能力之间做多模型调度，你会怎么设计策略？
• 业务部门提出的自动化需求很模糊，你如何把它转化为可执行的技术方案？