1. 面向生产、质检、运维、供应链、客服、研发等业务场景，落地AI能力（包括大语言模型LLM、智能体Agent、检索增强生成RAG、多模态技术、预测与优化算法等），完成从需求分析、方案设计、开发实现到上线交付的全流程闭环。 2. 设计并实现企业级AI应用架构，涵盖数据接入、向量检索、提示词工程与工具调用（function calling）、权限控制及操作审计等关键模块。 3. 构建高质量知识库与数据处理流程，包括数据清洗、标注与效果评测、版本管理，以及数据质量与模型性能指标的持续监控。 4. 对接ERP、MES、WMS、CRM、工单系统等业务平台，提供标准化API/SDK、插件化集成或低代码工作流编排能力。 5. 组织并参与功能测试、效果评估与A/B验证，推动模型与系统在推理成本、响应时延、服务稳定性等方面的持续优化。 6. 跟踪人工智能领域前沿技术进展，研读相关技术文献，并开展可行性验证与技术预研。 1. 具有3–5年软件开发、AI工程或数据智能相关工作经验；计算机、软件工程、数据科学、自动化等相关专业本科及以上学历，硕士学历优先，特别优秀者可适当放宽学历要求。 2. 熟练掌握至少一门主流编程语言（如Python、C#、JavaScript或TypeScript），具备扎实的工程实现能力。 3. 具备AI应用落地实践经验，曾独立或作为核心成员完成至少1个面向实际业务场景、稳定运行的AI应用项目（如智能问答系统、知识库助手、自动化业务流程等）。 4. 熟悉主流深度学习框架（如PyTorch、TensorFlow），并有实际项目应用经验。 5. 掌握RAG技术原理与实践，熟悉向量数据库（如Milvus、Qdrant、PGVector等）及检索评测方法；具备提示词工程、工具调用（function calling）与工作流编排（如LangChain、LlamaIndex、n8n等）的实操能力。 6. 熟悉常见工程化能力，包括接口设计规范、身份鉴权机制、日志采集、监控告警体系及容器化部署（Docker/Kubernetes）等。 **加分项** - 具有MLOps或LLMOps实践经验，包括模型/Prompt/知识库版本管理、线上效果反馈闭环、标准化评测体系建设等； - 具备多模态技术应用经验（如OCR、文档版面理解、图像语义理解）或私有化部署、国产化软硬件适配经验； - 具有制造业信息化系统（如MES、SCADA、PLC数据对接）集成经验。 **福利** - 提供系统化入职赋能培训； - 支持员工参与战略级项目与跨部门协同实践； - 具备专业&管理双向职业发展通道； - 根据实际情况提供住房/搬迁支持；