康明斯
IT Intern - LLM Application Engineer
IT Intern - LLM Application Engineer
发布于 大约 13 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
本科
PyTorch
RAG
LLM
向量数据库
Prompt Engineering
GPT
Agent框架
Claude Code
AI 估算 · 3k–6k
实习生岗位，大厂北京办公，参考市场实习薪资水平
职位详情
关于这个职位
该职位是康明斯AI大模型应用方向的实习岗，你将参与大模型在企业业务场景的落地规划、模型接入与测试、Prompt工程与RAG技术实施等核心工作
适合对LLM应用开发有浓厚兴趣、具备Python和深度学习基础的同学，可以在实践中接触前沿AI技术
最低要求
学历与专业： 本科及以上学历，计算机科学、人工智能、软件工程等相关专业
编程基础： 精通Python编程、Linux编程，具备扎实的算法、数据结构和计算机网络基础
Agent系统与架构能力： 具备丰富的AI系统设计与开发经验
精通LangChain/DIFY/AutoGen等至少一种主流框架的内部实现原理，并能灵活运用其设计高可用、高扩展性的大模型应用架构
模型与框架： 熟悉PyTorch/TensorFlow等深度学习框架，有Transformer模型原理理解或微调实战经验者优先
AI编程工具 ：熟练使用 Claude Code、Cursor、GitHub Copilot 等AI编程助手，能指导团队高效使用
Agent开发框架： 精通 OpenClaw/Coze/Dify 等Agent开发框架，有实际部署和维护经验
工作职责
整体落地规划与方案设计： 负责公司 AI 大模型在各类业务场景的整体落地规划与方案设计，结合企业业务需求，挖掘大模型应用潜力，确定核心落地场景并推进实施
模型接入、测试与选型： 完成主流大模型（GPT、文心一言、通义千问、Gemini 等）的接入、测试、选型与对比，优化接入方案，保障模型调用的稳定性与高效性
Prompt工程与知识库建设： 开展 Prompt 工程优化、企业知识库构建、向量数据库搭建及 RAG 技术落地，提升大模型在企业场景下的响应准确率与实用性
效果评估与持续迭代： 制定 AI 应用效果评估指标，持续跟踪、分析模型应用数据，迭代优化模型方案及应用流程，提升 AI 应用的业务价值
技术落地与实践： 精通LLM应用核心技术（Prompt工程、RAG、Agent框架、模型微调、向量数据库集成、模型API优化等），并落地到实际开发中
技术创新与前沿跟踪： 关注多模态、Agentic AI等LLM前沿技术，评估其业务适用性并推动在项目中的创新应用
AI 洞察
优缺点分析
优点
- 接触前沿的LLM技术栈，涵盖Prompt工程、RAG、Agent框架等热点方向
- 康明斯作为跨国巨头，平台大、资源丰富，项目有实际业务场景
- 团队技术氛围浓厚，有机会与资深工程师学习，快速成长
- 办公地点在北京，需100%现场办公，通勤成本需考虑
- 适合对AI大模型应用充满热情、具备较强自驱力和编程基础的计算机相关专业学生，希望在实践中快速积累LLM工程经验
缺点 / 挑战
- 实习期间需要快速掌握并落地多项新技术，学习压力较大
- 作为实习生可能需要承担部分辅助性工作，挑战与机遇并存
角色解读
- 实习表现优异可转正为正式AI工程师，深入参与核心项目
- 未来可向大模型算法专家、AI应用架构师方向发展
- 积累LLM落地经验后，可转型为AI解决方案架构师或技术负责人
- 负责公司AI大模型在各类业务场景的落地规划与方案设计，挖掘应用潜力
- 完成主流大模型的接入、测试与选型，优化调用稳定性与效率
- 开展Prompt工程优化、企业知识库构建及RAG技术落地，提升模型响应准确率
- 跟踪多模态、Agentic AI等前沿技术，推动创新应用
- 精通Python和Linux编程，具备扎实的算法与数据结构基础
- 熟悉LangChain、DIFY等Agent框架，有实际部署经验
- 掌握PyTorch/TensorFlow，理解Transformer原理或有微调经验
- 熟练使用Claude Code、Cursor等AI编程工具辅助开发
申请策略
- 在求职信中表达对LLM技术的热情以及快速学习的决心
- 可附上GitHub链接或技术博客，展示相关实践成果
- 突出LLM相关项目经验，如基于LangChain或RAG的实际应用
- 强调Python编程能力、深度学习框架使用经验
- 如有Agent开发或模型微调经历，务必重点描述
- 展示对AI前沿技术的关注与学习能力，如参加比赛、开源贡献等
- 提前熟悉LangChain、DIFY等框架的文档与示例
- 练习Prompt工程技巧，尝试搭建简单的RAG系统
面试指南
- 对于原理性问题，先阐述核心概念，再结合具体项目说明应用
- 对于设计类问题，采用“需求分析-方案选型-实现细节-评估优化”的框架
- 准备一个完整的LLM落地案例，从问题定义到效果评估，展示系统性思考
- 请描述你曾经使用过的Agent框架及其实现原理
- 解释RAG的工作原理，以及如何优化检索效果
- 你如何设计一个高效的Prompt来提升模型回答的准确性？
- 谈谈你对Transformer模型结构的理解
- 如何处理大模型API调用中的延迟和稳定性问题？
匹配度报告
60
综合匹配度
大厂AI实习，前沿技术栈，成长快，但现场办公且薪资一般。
适合人群
最适合追求技术成长、希望投身AI前沿的求职者，对短期薪酬要求不高。
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90
工作生活50
使命价值60
薪资福利匹配
40较低
该职位为实习岗，薪资水平一般，但公司品牌和福利体系完善，稳定性较高。
薪资信号未披露（AI估算：3K-6K/月）
成长发展匹配
90较高
该职位聚焦LLM前沿技术栈，提供丰富的实践机会和成长空间，发展性极强。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、RAG、Prompt Engineering、Agent、PyTorch、GPT、向量数据库
成长机会持续学习机会
业务类型ambiguous
工作生活匹配
50较低
要求100%现场办公，北京工作，但实习时间灵活，压力适中。
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
AI在制造业的应用具有社会价值，但职位本身偏技术执行，使命感中等。
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
Watch Jobs