1. 学历与专业： ●研究生以上学历（研一、研二）。 ●优先专业： 车辆工程、电子信息、自动化、计算机科学、数据科学或相关理工科专业。 2.核心素质（关键项）： ●熟悉 Python 编程： 能熟练使用 Python 进行数据处理（如使用 Pandas 处理表格，或使用脚本进行文本清洗、正则匹配），能写脚本自动化处理繁琐的数据整理工作。 ●理解 RAG 基本原理： 了解大模型知识库的基本流程（Embedding 向量化、Chunking 切片、Vector Search 向量检索），有使用过 LangChain、Dify、FastGPT 或类似知识库构建工具的经验（哪怕是自己搭建的Demo也可以）。 ●数据格式敏感度： 熟悉 JSON、Markdown、CSV 等数据格式的转换和规范，理解结构化数据对AI的重要性。 4. 加分项（Nice to Haves） ●有 爬虫（Crawler） 经验，能从公开网络自动抓取汽车配置数据者优先。 ●有 Elasticsearch 或 向量数据库（如 Milvus, Chroma, Faiss）的基础认知或使用经验。 ●对智能汽车行业感兴趣，了解基本的汽车电子电气架构（EE架构）概念。 工作职责： 1. 行业数据资产构建与清洗 (Data Construction & Cleaning) ●车型数据库搭建： 调研并梳理行业主流及领先车企（如小鹏、华为系、小米、蔚来、理想、特斯拉等）的车型列表。建立包含车辆类型（SUV/Sedan/MPV）、价格区间、SOP时间及关键配置的结构化档案。 ●功能与对标库建设： 收集上述车型的智能化功能列表（如智驾功能、座舱功能），编写标准化的功能描述，协助建立竞品对标库。 ●软硬件资源映射： 梳理主流功能背后的实现逻辑，包括算法需求、软件功能分配，以及对应的核心芯片选型（如Orin-X, 8295等）和参数指标。 ●系统架构梳理： 整理主流车型的电子电气架构方案（如区域控制器ZCU、中央计算平台HPC等），并关注行业前沿技术趋势（新技术、新芯片、新架构）。 ●知识图谱地基： 协助建立“车型-功能-算法-芯片-系统”之间的多维关联关系，为后续知识图谱的构建打下数据基础。 2. 知识库向量化与RAG优化 (RAG Optimization) ●知识切片管理： 基于现有平台，对整理好的技术文档、Excel数据进行合理的文本切片（Chunking），确保语义完整性。 ●检索效果验证： 对车型库、功能库、芯片库等进行检索测试（RAG），评估知识召回的准确率和成功率，并根据测试结果反向优化数据结构。 3. 提示词工程与模型调优 (Prompt Engineering & Tuning) ●提示词编写： 设计和优化Prompt（提示词），引导大模型根据用户输入的需求，准确输出最优的架构建议及理由。 ●微调数据准备： 协助准备用于模型微调（Fine-tuning）的高质量问答对（Q&A Pair），参与模型输出结果的评测与打标。