恩士迅
Python Developer
Python Developer
发布于 大约 3 小时前普通员工/个人贡献者
广州市
中级经验
全职员工
仅现场办公
学历未注明
软件工程
Generative AI
Rest API
Agentic AI
Prompt Engineering
Pinecone
Chromadb
Claude Sdk
Google Ai Sdk
AI 估算 · 25k–45k
AI领域Python开发者需求旺盛，结合广州薪资水平及技术栈前沿，月薪预估中上水平。
职位详情
关于这个职位
该职位负责使用Python开发基于生成式AI和Agentic AI的系统，涉及提示工程、AI工作流编排，并与多种AI SDK和向量数据库集成
你将参与构建分布式AI系统和模型部署管线，处理实时数据流，可能涉及RAG架构和对话式AI应用
这是一个技术深度高、贴近AI前沿的工程师岗位，适合对AI落地有热情的开发者
最低要求
精通Python，有项目经验
具备生成式AI和Agentic AI系统的实践经验，包括提示工程和AI工作流编排
熟悉AI SDK和框架：Google AI SDK、Claude SDK、Microsoft Foundry SDK
了解REST API和事件驱动架构，用于AI服务集成
具备向量数据库（Pinecone、ChromaDB）和嵌入模型的经验
在分布式AI系统和模型部署管线中具备强大的调试能力
熟悉SQL和NoSQL存储系统
了解REST API和事件驱动/消息架构
工作职责
岗位职责未明确列出，但从要求推测包括：
使用Python开发和维护AI系统
设计和实现生成式AI与Agentic AI应用
集成AI SDK和框架
构建和优化向量数据库检索
调试分布式AI系统和模型部署管线
与SQL/NoSQL数据库交互
设计REST API和事件驱动架构
优先资格
具备AI代理框架（AutoGPT、LangGraph、CrewAI或自定义多智能体系统）经验
具备流式数据处理（Kafka、Pulsar）用于实时AI应用的经验
熟悉容器化（Docker、Kubernetes）用于AI模型部署
具备云AI平台（AWS Bedrock、Google Vertex AI、Azure AI）经验
了解RAG（检索增强生成）架构和实现
具备构建对话式AI、文档处理或代码生成系统的经验
AI 洞察
优缺点分析
优点
- 技术前沿：直接接触生成式AI和Agentic AI，积累稀缺的高价值技能
- 平台优势：跨国企业，项目复杂度高，能提升工程能力和视野
- 技术迭代快：需要持续学习新AI框架和工具，保持知识更新
- 调试难度大：分布式AI系统问题定位复杂，对耐心和逻辑要求高
- 竞争激烈：AI岗位申请者优秀，需不断证明自身实力
- 适合热爱AI技术、有扎实Python基础、愿意持续学习并解决复杂工程问题的开发者
缺点 / 挑战
- 薪资竞争力：AI方向人才稀缺，薪酬水平较高且持续增长
角色解读
- 可向AI架构师方向发展，主导大型AI系统设计
- 可转为AI产品经理或技术负责人，结合业务推动AI落地
- 随着AGI技术演进，有机会进入前沿研究团队或创业
- 使用Python开发基于生成式AI和Agentic AI的应用，涉及提示工程与工作流编排
- 集成Google AI SDK、Claude SDK等AI框架，构建智能服务
- 利用向量数据库（Pinecone、ChromaDB）实现高效检索，优化AI模型输出
- 参与分布式AI系统的调试与部署，确保模型在云端或本地稳定运行
- 精通Python，能够独立完成复杂AI功能模块开发
- 深入理解生成式AI和Agentic AI原理，能设计并执行提示工程
- 熟悉向量数据库和嵌入模型，能搭建RAG或语义搜索系统
- 掌握REST API和事件驱动架构，具备AI服务集成能力
申请策略
- 准备一个端到端的AI应用演示（如基于RAG的问答系统），展示工程能力
- 了解恩士迅的业务方向，思考AI如何赋能其现有产品，并在面试中体现业务理解
- 突出Python项目经验，尤其是AI相关项目，如聊天机器人、文档处理系统等
- 列出使用的AI SDK和框架（如Claude SDK、LangGraph），并描述具体贡献
- 展示向量数据库和RAG架构的实际应用案例，最好附带量化结果（如检索准确率）
- 若缺少AI代理框架经验，可学习LangGraph或CrewAI并完成一个小型多智能体项目
- 补充云平台AI服务知识，如AWS Bedrock或Azure AI，熟悉模型部署流程
面试指南
- STAR法则：描述情境、任务、行动、结果，重点突出技术选型和解决难点
- 系统设计框架：明确需求 -> 划分模块 -> 选型理由 -> 数据流 -> 扩展性考虑
- 请描述一次你使用提示工程优化AI模型输出的经历
- 如何设计一个基于RAG的对话系统？请画出架构并说明关键技术
- 在分布式AI系统中，你如何调试模型推理延迟过高的问题？
- 解释向量数据库的工作原理，并对比Pinecone和ChromaDB的异同
- 如果你要集成多个AI SDK（如Google和Claude），你会如何设计抽象层？
- 复习关键术语：Prompt Engineering、Agentic AI、RAG、Vector Embedding
匹配度报告
65
综合匹配度
前沿AI技术岗，薪资优厚，发展空间大，但现场办公且工作强度未明确。
适合人群
最适合追求技术成长和前沿技能积累的开发者，愿意在工作中投入较多时间学习。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活40
使命价值60
薪资福利匹配
70中等
薪资具有竞争力，但未在JD中明确福利，补偿性动机满足程度中等偏上。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
职位技能前沿，直接接触生成式AI和Agentic AI，成长空间极大，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Python、Generative AI、Agentic AI、Prompt Engineering、REST API、Vector Database、Pinecone、ChromaDB、Google AI SDK、Claude SDK、Microsoft Foundry SDK、RAG、Kafka、Docker、Kubernetes、AWS Bedrock、Google Vertex AI、Azure AI
业务类型ambiguous
工作生活匹配
40较低
仅现场办公，未提及弹性工时或远程，生活化动机满足度较低。
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技术对社会影响双刃剑，但职位本身不直接传递强烈使命感，意义感中等。
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