康宁
Data Analytics Engineer
Data Analytics Engineer
发布于 大约 15 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
硕士
软件工程
RAG
LLM
Machine Learning
GraphRAG
AI Agent
Faiss
AI 估算 · 25k–45k
高级AI工程师，硕士学历，前沿技术栈，康宁大公司，薪资位于市场较高水平。
职位详情
关于这个职位
该职位是康宁AI Agent与知识智能团队的一员，主要负责设计和实现基于大语言模型（LLM）的生产级AI应用
你将参与RAG/GraphRAG系统的构建、知识图谱维护、AI Agent开发，并应用于制造场景（如车间助手、缺陷分析、预测性维护等）
适合对LLM应用落地、检索增强生成和工业AI感兴趣的技术人才
最低要求
Proficient in Python and common ML tooling; able to implement and iterate algorithms with good engineering practices (clean code, logging, error handling, testing mindset).
Hands-on knowledge of RAG systems and retrieval optimization (data ingestion/cleaning, chunking, embeddings, indexing, retrieval & re-ranking, grounding/citation); able to independently deliver an end-to-end RAG project.
Understand AI Agent concepts and implementation (planning/orchestration, tool use/function calling, memory/state management); able to integrate RAG as a core agent capability.
Knowledge graph fundamentals (entity/relation/schema) and GraphRAG patterns; able to model, store, query, and use a knowledge graph to improve retrieval and answer quality.
Solid understanding of core ML/AI algorithms (e.g., classification/regression, representation learning, ranking) and evaluation; can define metrics and build evaluation sets (e.g., Recall@k, MRR, accuracy/F1) to drive iteration.
Strong learning ability and independent thinking; excellent teamwork and communication skills, able to align with cross-functional stakeholders and drive execution.
工作职责
Design and build LLM applications for process & manufacturing scenarios, such as shopfloor copilots for SOP/work-instruction Q&A, process parameter guidance, and engineering knowledge search (RAG/GraphRAG-enabled).
Develop LLM-driven quality & troubleshooting workflows: summarize defect/abnormal logs, assist root-cause analysis (5-Why, fishbone), suggest containment actions, and continuously improve responses with evaluation metrics and feedback loops.
Curate manufacturing knowledge assets: structure process routes, materials/BOM, equipment, defect codes, control plans, and change records; build/maintain knowledge graph where helpful to improve retrieval, traceability, and reasoning.
Build AI Agent capabilities for manufacturing operations: tool/function calling to query MES/SCADA/ERP/QMS data, generate reports and tickets, and automate routine engineering workflows with proper permissions and guardrails.
Enable equipment inspection & predictive maintenance use cases: interpret equipment alarms/sensor summaries, assist fault diagnosis, recommend inspection checklists and corrective actions, and help generate/standardize maintenance records with RAG-backed knowledge.
Own LLM app quality in production with a focus on prompt engineering and retrieval strategy optimization: data cleaning, chunking, embedding/model selection, indexing, query rewriting, retrieval & re-ranking, grounding/citation, and offline/online evaluation (accuracy, latency) with monitoring and continuous iteration.
Partner with process/manufacturing/quality engineers and IT teams to define use cases, validate outputs on real lines, document best practices, and drive adoption through pilots and iteration.
优先资格
Proven experience delivering AI Agent, RAG/GraphRAG, or knowledge-graph-based systems in real projects (enterprise/search/QA/recommendation/operations automation).
Experience with vector databases / retrieval stacks (e.g., FAISS, Milvus, pgvector, Elasticsearch) and performance/quality tuning.
Experience with LLM/RAG evaluation (factuality/faithfulness, automated & human eval, A/B testing) and continuous improvement loops.
Backend/API development experience (FastAPI/Flask) and basic deployment concepts (Docker) are a plus.
Hardworking and accountable: strong ownership, quality-focused, and able to drive tasks to closure.
Fast learner who can quickly understand context, break down problems, and iterate with discipline.
Good collaboration habits: proactive status updates, risk transparency, and efficient teamwork.
Work-life friendly: standard working hours, no overtime requirement; no business travel required.
Frontier focus: work hands-on with RAG/GraphRAG across knowledge engineering, retrieval, generation, and evaluation.
Real-world impact: build demos and components that can be reused and shipped into real internal products.
Strong mentorship: guidance from a tech lead, code reviews, and a clear path to grow engineering depth.
AI 洞察
优缺点分析
优点
- 前沿技术栈：涉及LLM、RAG、GraphRAG、AI Agent等热门领域，技能积累价值高
- 实际落地场景：将AI应用于制造业，产生真实业务影响，项目成果可复用
- 公司平台：康宁作为跨国巨头，提供稳定环境、良好培训和国际化发展机会
- 工作生活平衡：明确的标准工时、无加班要求、无差旅
- 技术复杂度高：需要同时掌握LLM、RAG、知识图谱、AI Agent等多个领域，学习曲线陡峭
- 制造业专业知识：需要快速理解制造流程、设备、质量控制等业务知识
- 适合对LLM应用落地和工业AI有强烈兴趣，具备扎实机器学习基础和工程能力，且希望在大型跨国企业获得稳定发展与前沿技术实践的工程师
缺点 / 挑战
- 跨部门协作：需要与工艺、制造、质量工程师及IT团队紧密配合，沟通成本较高
角色解读
- 在工业AI领域深入，成为RAG/知识图谱方向的专家，主导大型AI Agent项目
- 向技术管理方向发展，带领团队推动AI在制造中的落地
- 横向拓展到其他行业AI应用，如供应链、研发等，成为跨领域AI架构师
- 设计并构建基于LLM的制造场景应用，如车间助手、工艺参数指导、工程知识搜索（RAG/GraphRAG）
- 开发LLM驱动的质量与故障排查工作流，协助根因分析，并持续优化响应质量
- 整理制造知识资产，构建知识图谱，提升检索与推理能力
- 构建AI Agent功能，通过工具调用集成MES/SCADA等系统数据，自动化工程流程
- 精通Python及常用ML工具，具备良好的工程实践（代码整洁、日志、测试）
- 扎实的RAG系统知识，能够独立完成端到端RAG项目（数据清洗、分块、嵌入、检索、重排序、引用）
- 理解AI Agent概念与实现（规划、工具调用、记忆管理），能集成RAG作为核心能力
- 知识图谱基础及GraphRAG模式，能建模、存储、查询知识图谱
申请策略
- 关注康宁在制造业数字化转型方面的布局，在面试中展示对工业AI场景的理解
- 准备一个完整的RAG项目案例，包括问题、方案、难点和成果，便于技术面深入讨论
- 突出RAG或知识图谱项目经验，详细描述技术方案、数据流程和效果指标
- 强调端到端AI项目交付经历，从问题定义到线上监控的完整周期
- 展示Python工程能力，如模块化设计、测试覆盖、性能优化
- 若有制造或工业领域背景，务必强调，体现业务理解能力
- 系统学习RAG技术栈，包括向量数据库（FAISS、Milvus）、检索优化、评估方法
- 动手实现一个简单的AI Agent原型，集成工具调用和记忆管理
面试指南
- STAR原则：描述情境、任务、行动、结果，突出技术细节和量化成果
- 从问题分析入手，提出多种方案对比，说明选择依据，并讨论迭代优化过程
- 结合具体案例，展示工程最佳实践（如日志、监控、A/B测试）
- 请描述你过去做过的一个RAG项目，包括数据流程、检索策略、评估方法
- 如何优化RAG系统的检索质量？请具体说明分块、嵌入、重排序策略
- 解释AI Agent中工具调用的实现方式，如何处理错误和权限？
- 知识图谱与向量检索结合（GraphRAG）相比纯RAG有哪些优势？适用场景是什么？
- 如何评估LLM应用的事实准确性？你会设计哪些评估指标？
匹配度报告
76
综合匹配度
前沿AI技术栈、导师制成长、WLB优秀，薪资中等偏上，适合成长驱动型人才。
适合人群
最适合追求技术成长和良好工作生活平衡的求职者，特别是希望在工业AI领域深耕的工程师。
最强匹配
成长发展匹配
最弱匹配
使命价值匹配
薪资福利65
成长发展92
工作生活88
使命价值60
薪资福利匹配
65中等
薪资未直接披露，但根据岗位级别和市场水平推断，薪资在制造业中属于偏上水平，但相比互联网大厂可能略低。公司福利较好，但具体未列出。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
92较高
职位涉及LLM、RAG、GraphRAG、AI Agent等最前沿技术，且明确提供导师指导、代码评审和成长路径，技能成长空间极大。
技术前沿前沿/新兴技术
技术栈LLM、RAG、GraphRAG、AI Agent、Knowledge Graph、Python、FAISS、Milvus、FastAPI
成长机会Strong mentorship、code reviews、clear path to grow engineering depth
业务类型cost_center
工作生活匹配
88较高
明确说明标准工时、无加班要求、无差旅，工作生活平衡极佳。但办公地点未提灵活性，默认为现场办公。
工作模式仅现场办公
办公地点未明确
加班情况明确说明WLB/不加班
工作生活平衡standard working hours、no overtime requirement
使命价值匹配
60中等
工作内容具有实际应用价值，帮助制造业数字化转型，但社会影响力相对中性，公司使命陈述较宽泛。
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、push the boundaries of what’s possible
创新程度积极采用新技术
Watch Jobs