康宁
Data Analytics Engineer Intern
Data Analytics Engineer Intern
发布于 1 天前实习/见习
上海市
无经验要求
实习生
仅现场办公
硕士
RAG
LLM
GraphRAG
LlamaIndex
Neo4j
AI Agent
Retrieval
AI 估算 · 4k–6k
上海AI相关实习岗，技能要求较高，薪资处于市场中等水平
职位详情
关于这个职位
该实习职位专注于数据分析和人工智能技术，你将参与开发AI Agent原型、构建RAG管道、探索图检索增强生成（GraphRAG），并协助评估检索生成质量
适合对AI Agent、大语言模型及检索系统有浓厚兴趣的在校研究生，提供接触前沿技术和实践项目的机会
最低要求
Currently pursuing a Master’s degree (enrolled) in Computer Science, Artificial Intelligence, Data Science, Software Engineering, or a related major.
Familiar with AI Agent frameworks and RAG/GraphRAG concepts; candidates with hands-on project experience (course/research/industry/open-source) are preferred.
Internship availability: 4+ days/week; 3+ months is preferred.
Proficient in Python; able to write readable, testable code with basic engineering practices (logging, error handling, version control).
Good understanding of RAG: document processing, chunking, embedding, indexing, retrieval & re-ranking, grounding/citation; end-to-end project experience is a plus.
Familiar with mainstream AI Agent frameworks (e.g., LangChain / LlamaIndex / Semantic Kernel or similar) and agent design patterns (planning/orchestration, tools, memory/state).
Understand knowledge graph fundamentals and GraphRAG approaches; experience with graph databases/query (e.g., Neo4j/Cypher or similar) is a plus.
Able to design basic experiments and evaluations for retrieval/generation quality (e.g., Recall@k, MRR, groundedness), analyze results, and iterate systematically.
Independent thinker with strong communication skills; proactive, open-minded, and positive personality; able to collaborate and ask good questions.
工作职责
Participate in developing AI Agent prototypes for internal scenarios; implement basic agent workflows (prompting, tool/function calling, memory/state) under guidance.
Build and optimize RAG pipelines: data ingestion/cleaning, chunking strategy, embeddings, indexing, retrieval, re-ranking, and grounding/citation.
Explore GraphRAG/knowledge-graph-assisted retrieval: help with schema design, entity/relation extraction, graph storage/query, and hybrid retrieval experiments.
Assist in building evaluation datasets and metrics for RAG/Agent quality (e.g., Recall@k, MRR, answer correctness/groundedness), and iterate based on findings.
Work with engineers to integrate components into services (e.g., simple APIs/scripts), write documentation, and present weekly progress updates.
Continuously improve retrieval and generation quality through controlled experiments (prompting, query rewriting, retrieval parameters) and summarize learnings into best practices.
Communicate effectively with cross-functional stakeholders; demonstrate independent thinking, proactive problem solving, and a positive, open personality.
优先资格
Hands-on project experience with AI Agent or RAG/GraphRAG (course/research/industry/open-source) is preferred.
End-to-end RAG project experience is a plus.
Experience with graph databases/query (e.g., Neo4j/Cypher or similar) is a plus.
AI 洞察
优缺点分析
优点
- 接触前沿的AI Agent和RAG技术，紧跟行业趋势
- 在世界500强企业实习，平台大、资源丰富，可学习工程化实践
- 项目涉及完整的数据处理与检索生成链路，技能积累全面
- 团队注重实验和迭代，培养系统性解决问题的能力
- 技术栈较新且复杂，需要快速学习和适应
- 实习期可能面临多任务并行，需要良好的时间管理
- 项目处于探索阶段，可能遇到不确定性和方向调整
- 适合对AI Agent、大语言模型和检索系统有强烈兴趣，具备一定编程基础和自学能力的计算机、人工智能等专业的在校研究生
缺点 / 挑战
暂无明显挑战项
角色解读
- 从AI Agent和RAG入门，深入掌握大语言模型应用开发和检索系统优化
- 可向人工智能工程师、机器学习工程师或数据科学家方向发展
- 积累行业经验后，有机会参与更复杂的AI系统架构设计，甚至转向研究岗位
- 开发和优化AI Agent原型，实现提示调用、工具调用、记忆管理等基本工作流程
- 构建端到端的RAG管道，包括数据处理、分块、嵌入、索引、检索和重排序
- 探索图检索增强生成（GraphRAG），设计知识图谱模式并实践混合检索
- 参与评估体系建设，测量检索质量（Recall@k、MRR）和生成质量（正确性、可解释性）
- 精通Python编程，具备良好的工程实践（日志、错误处理、版本控制）
- 熟悉RAG和AI Agent框架（如LangChain、LlamaIndex），了解代理设计模式
- 理解知识图谱基础，有图数据库（如Neo4j）使用经验更佳
- 具备实验设计和数据分析能力，能系统迭代优化检索生成效果
申请策略
- 关注康宁的制造业和材料科学背景，思考AI技术如何应用于工业场景
- 在申请材料中体现对技术深度和实际落地的平衡，展示独立思考和沟通能力
- 突出AI Agent或RAG相关的项目经验，即使是课程项目或开源贡献也要详细描述
- 强调Python编程能力和工程习惯，例如代码规范、测试、版本控制
- 如有图数据库或知识图谱经验，务必列出具体技术和工具
- 展示实验设计和评估能力，例如在项目中如何优化指标
- 快速上手一个主流AI Agent框架（如LangChain），完成一个简单对话或工具调用demo
- 学习RAG基础概念，动手搭建一个包含文档分块、向量检索和重排序的pipeline
面试指南
- 对于技术问题，采用“概念-流程-关键点”结构，先简要定义，再分步说明，最后强调核心挑战和解决方案
- 对于开放性设计问题，采用“需求分析-方案对比-迭代优化”思路，展示系统性思考
- 对于行为问题，采用STAR法则（情境-任务-行动-结果），突出主动性和合作精神
- 请描述一下RAG的工作流程，并解释分块策略和检索重排序的重要性
- 你如何评估一个AI Agent或RAG系统的质量？有哪些常用的指标？
- 请举例说明你使用过的一个AI Agent框架（如LangChain），并解释其核心组件
- 知识图谱如何辅助检索？谈谈你对GraphRAG的理解
- 在实习期间，如果遇到项目需求不明确或技术方案分歧，你会如何处理？
匹配度报告
66
综合匹配度
前沿AI技术实习，大平台高成长，薪资一般，需现场办公
适合人群
适合追求技术成长、希望积累前沿AI经验的在校研究生；对薪资和WLB要求不高，更看重技能提升和实习平台。
最强匹配
成长发展匹配
最弱匹配
薪资福利匹配
薪资福利40
成长发展95
工作生活70
使命价值60
薪资福利匹配
40较低
实习薪资上海平均水平，但公司规模大，稳定性和福利有保障，不过薪资水平一般。
薪资信号未披露（AI估算：4K-6K/月）
成长发展匹配
95较高
职位技术栈前沿，涉及AI Agent、RAG、GraphRAG等热门方向，成长空间极大。
技术前沿前沿/新兴技术
技术栈Python、LangChain、LlamaIndex、RAG、GraphRAG、Neo4j、LLM、Embedding
业务类型ambiguous
工作生活匹配
70中等
实习通常工作生活平衡较好，但JD未明确弹性工作安排，需现场办公。
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）
使命价值匹配
60中等
康宁是材料科学创新者，行业有前景，但实习岗位与核心业务关联度不直接，使命感一般。
行业发展稳定成熟行业
社会影响中性/一般
使命信号break through limitations、make an impact
创新程度积极采用新技术
Watch Jobs