AI 工程师

岗位 JD 分析

核心职责

• 设计、构建和部署生产级 AI 系统——将 ML 模型从研究原型转化为可服务百万用户的产品功能
• 构建 RAG (检索增强生成) 管线——文档切分、Embedding 策略、向量数据库、检索优化和重排序，连接企业私有知识库
• 开发 AI Agent 系统——使用 LangChain、CrewAI、Claude Agent SDK 等框架构建能自主规划、推理和执行多步骤工作流的智能体
• 设计和维护生产级 Prompt 系统——System Prompt 架构、Few-shot 模板库、防注入策略和自动化评测管线
• 使用 AI Coding 工具（Cursor、Claude Code、Kiro）完成 70%+ 的日常编码——配置 .cursorrules/CLAUDE.md 规则文件、管理 AI 编程上下文、审查 AI 生成代码质量
• 将 AI 模型通过 API 和微服务集成到现有业务系统——处理容器化部署（Docker/Kubernetes）、CI/CD 和云平台（AWS/Azure/GCP）
• 搭建 AI 系统的评测、监控和可观测性体系（Langfuse、LangSmith）——追踪延迟、准确率、成本和异常
• 管理 AI 推理成本——优化 Token 使用、Prompt Caching、模型路由策略（大模型处理复杂任务、小模型处理简单任务）
• 与数据科学家协作完成模型从研究到生产的过渡，与产品经理对齐 AI 功能需求和用户体验

必备要求

• 精通 Python，熟悉 TypeScript/JavaScript，有 4-7 年软件工程经验（Anthropic 约 50% 技术人员无 PhD，重实战能力）
• 有构建和部署 ML / Deep Learning 模型到生产环境的实际经验——2026 市场奖励生产技能而非学历
• 深入理解 LLM 原理（Attention 机制、Token 化、上下文窗口）和主流模型 API（GPT-4o、Claude 4、Gemini 2.0）
• 掌握 RAG 全链路：向量数据库（Pinecone/Weaviate/Qdrant/pgvector）、Embedding 模型、检索策略（HyDE、Reranking）
• 熟悉 AI Agent 框架（LangChain、LlamaIndex、CrewAI、Claude Agent SDK）和 Function Calling / Tool Use / MCP
• 熟练使用 AI Coding 工具——Cursor、Claude Code、GitHub Copilot、Kiro 中至少 2 个，能配置项目级 AI 规则文件（.cursorrules/CLAUDE.md），具备 Vibe Coding（自然语言驱动开发）实战经验
• 掌握 MLOps 和部署管线：Docker、Kubernetes、CI/CD、模型版本管理
• 熟悉云平台（AWS SageMaker / Azure AI / GCP Vertex AI）中至少一个
• 有至少 1 个 AI 系统从 0 到 1 上线的完整经验——OpenAI 面试直接给研究论文要求分析局限性并提出改进方案

加分项

• 有 Fine-tuning / PEFT / LoRA 经验——在私有数据上微调模型
• 了解 vLLM、TGI 等模型推理优化和 GPU 部署
• 有知识图谱或 GraphRAG 实践经验
• 熟悉多模态 AI（Vision、Audio、Video）应用开发
• 有 AI 安全和红队测试经验——Prompt Injection 防御、对抗攻击（Anthropic 面试有专门的 safety round）
• 有流式数据平台经验（Kafka、Spark Streaming）
• 具备垂直领域专业知识（金融、医疗、电商、法律等）——75%+ 的 AI 岗位要求领域深度
• 对 AI 推理算力成本有感知——2026 年 Token 预算已成为薪酬谈判的一部分
• 有 AI PR Review 自动化经验——用 AI 工具实现代码审查自动化
• 熟悉 Context Engineering（上下文工程）——理解上下文压缩、记忆管理和降级策略

典型的一天

转型建议

适合转入的背景

转型路径

1. 第 1 步：掌握 AI Coding 工具——安装 Cursor 或 Claude Code，完成 Vibe Coding Hub 实战，学会用自然语言驱动开发
2. 第 2 步：掌握 Prompt Engineering 核心技术——完成 JR Academy Prompt Master 课程，练习 CoT、Few-shot、System Prompt 设计
3. 第 3 步：学习 RAG 系统构建——搭建一个端到端的知识问答系统（文档加载 → 切分 → Embedding → 检索 → 生成）
4. 第 4 步：学习 AI Agent 开发——用 LangChain 或 Claude Agent SDK 构建一个多工具调用的自主 Agent
5. 第 5 步：掌握生产化技能——学习 Docker/K8s 部署、API 设计、监控体系（Langfuse）和成本优化
6. 第 6 步：搭建完整项目作品集——在 GitHub 展示 1-2 个生产级 AI 系统（含评测报告、架构文档和成本分析），投递目标公司

学习路线图

常见误区

推荐学习资源