AI Engineer-AI 开发工程师

该职位来源于猎聘 岗位职责：

• 设计并推动构建高可用、可扩展的架构与基础设施，用于部署和管理大规模机器学习应用，重点聚焦于大语言模型（LLM）驱动的系统与自主智能体（AI Agent），确保系统的高性能、安全性与成本效益。
• 与数据科学家、产品团队及领域专家紧密协作，将复杂的业务问题转化为切实可行的 AI 解决方案，熟练运用基础模型、检索增强生成（RAG）、智能体编排框架及多步推理流水线等技术。
• 端到端负责生产级 LLM/智能体系统的核心模块开发与维护，包括但不限于： a) 提示工程（Prompt Engineering）与优化； b) RAG 流水线设计（嵌入模型、向量数据库、查询路由）； c) 智能体工作流编排（如基于 LangChain、LlamaIndex、Semantic Kernel 或自研框架）； d) 模型服务、缓存策略、降级机制与延迟优化； e) 针对幻觉、数据漂移、安全性及用户反馈的监控体系。
• 在所负责的技术方向中主导落地执行，提供在 LLM 推理、Token 管理、成本敏感型扩缩容、实时智能体决策等领域的深度技术指导，确保高质量、按时交付。
• 持续追踪 AI 领域前沿动态，评估、原型验证并集成新兴的大模型（开源/闭源）、智能体工具链及 MLOps 创新技术（如 vLLM、Triton Inference Server、DSPy、AutoGen、CrewAI 等）。
• 通过积极倾听、清晰沟通与技术辅导，营造协作解决问题的团队文化，尤其在负责任 AI、可观测性与生成式系统可靠性方面发挥引领作用。
• 参与制定团队整体 AI 技术战略，推动在智能体自动化、多模态推理、企业级 LLM 平台等方向的技术投入，与长期业务目标对齐。
• 主动识别并解决 LLM 应用中的系统性挑战，如上下文窗口限制、状态管理、工具调用可靠性、评估体系缺失等，提出可扩展、可维护的工程解决方案。

职位要求

技术能力:

• 扎实的软件工程基础：能编写清晰、可测试、易维护的 Python 代码，践行 CI/CD、代码评审与重构实践。
• 具备生产环境 ML/AI 系统构建与运维经验，深入理解 MLOps 原则（实验跟踪、模型注册、ML 流水线），熟悉 MLflow、Kubeflow、DVC 或 Vertex AI Pipelines 等工具。
• 熟悉主流云平台（AWS / Azure / GCP）或数据平台（Databricks、Snowflake），能使用 IaC 工具（Terraform、Pulumi）部署可扩展 ML 工作负载，并配置监控（Prometheus、Grafana、Datadog）。
• 理解分布式系统、微服务与事件驱动架构，支撑高吞吐、低延迟的 AI 应用。
• 具备大语言模型与生成式 AI 系统的实际项目经验，包括： a) 微调、蒸馏或参数高效适配（如 LoRA、QLoRA）； b) 构建 RAG 流水线，集成向量数据库（Pinecone、Weaviate、Milvus、FAISS）； c) 设计并部署具备工具调用、记忆、规划能力的 AI 智能体，支持多智能体协作； d) 通过自动化指标（如 RAGAS、TruLens）与人工反馈闭环评估 LLM 输出质量。
• 熟悉 LLM 推理优化技术（量化、批处理、推测解码）及推理框架（vLLM、TGI、TensorRT-LLM）。
• 有传统机器学习（Scikit-learn、XGBoost）和深度学习框架（PyTorch、TensorFlow）经验者优先，但大模型与智能体工程经验为核心要求。

专业素养

• 出色的干系人管理能力：能在工程师、产品经理与高管之间有效沟通，将技术深度与业务价值结合，赢得各方信任。
• 能在不确定性中高效推进工作：适应快速演进的 AI 技术生态，在创新与稳定性之间做出务实权衡。
• 积极面对风险与冲突，将其转化为系统改进的契机。
• 热衷于辅导与提升团队能力，尤其在构建负责任、可观测、可持续演进的 AI 工程体系方面发挥影响力。
• 坚持技术卓越，同时保持开放心态，拥抱反馈与迭代——这在生成式 AI 快速变化的环境中至关重要。