<<< 返回
AI应用架构师
上海某公司
上海
互联网
精通GenAI技术栈：LLM应用开发（LangChain/LlamaIndex/Haystack等）、RAG系统、Agent框架、向量数据库（Pinecone/Weaviate/Chroma等）、模型部署与优化（vLLM、TensorRT、ONNX等）
1、与AI产品经理紧密协作，深入理解商业需求和产品愿景，将PM设计的AI落地方案转化为可生产级的技术架构和实施路径；负责端到端AI解决方案设计：包括技术选型（GenAI/LLM vs 传统ML/算法 vs 混合架构）、架构设计、PoC验证、MLOps落地、成本优化与风险控制；
2、准确评估AI能力边界：明确什么时候适合使用大模型（RAG、Agent、Fine-tuning等）、什么时候需要传统算法/规则引擎/优化模型，确保方案兼顾准确率、可解释性、延迟、合规与成本；
3、设计可扩展、高可用、安全合规的AI系统架构（含向量数据库、知识图谱、微服务集成、监控告警等），并产出清晰的技术文档、架构图和trade-off分析报告；
4、主导AI项目的落地执行：从原型验证到生产环境部署，指导或带领工程师团队实现方案；
5、持续跟踪AI技术前沿（LLM、Agentic AI、多模态、推理优化等），为公司AI战略提供技术建议和路线图；
6、解决大模型在落地中的幻觉、响应速度、Token 成本、长文本处理及复杂任务编排（Agentic Workflow）等实战难题；
7、建立 AI 评估体系（Eval），将不确定的模型输出转化为确定的软件服务，制定 AI 产品的研发与上线标准；
1、本科及以上学历，计算机、人工智能、机器学习等相关专业优先；
2、拥有5年以上AI/ML相关经验，3年及以上担任AI架构师经验、解决方案架构师或类似技术角色；
3、有成功将AI产品从概念落地到生产的企业级AI应用、智能体系统、知识库系统、复杂工作流系统落地经验；
4、精通GenAI技术栈：LLM应用开发（LangChain/LlamaIndex/Haystack等）、RAG系统、Agent框架、向量数据库（Pinecone/Weaviate/Chroma等）、模型部署与优化（vLLM、TensorRT、ONNX等）；
5、深度理解 Transformer 架构及主流模型（GPT、Claude、DeepSeek、Llama）的优劣；
6、熟悉传统机器学习/深度学习框架（PyTorch/TensorFlow）、MLOps工具（MLflow、Kubeflow、Docker/K8s、CI/CD），以及与现有后端系统的集成经验；
岗位名称
AI应用架构师
企业信息
上海某公司
工作地点
上海
所属行业
互联网
职能介绍
精通GenAI技术栈：LLM应用开发（LangChain/LlamaIndex/Haystack等）、RAG系统、Agent框架、向量数据库（Pinecone/Weaviate/Chroma等）、模型部署与优化（vLLM、TensorRT、ONNX等）
工作内容
1、与AI产品经理紧密协作，深入理解商业需求和产品愿景，将PM设计的AI落地方案转化为可生产级的技术架构和实施路径；负责端到端AI解决方案设计：包括技术选型（GenAI/LLM vs 传统ML/算法 vs 混合架构）、架构设计、PoC验证、MLOps落地、成本优化与风险控制；
2、准确评估AI能力边界：明确什么时候适合使用大模型（RAG、Agent、Fine-tuning等）、什么时候需要传统算法/规则引擎/优化模型，确保方案兼顾准确率、可解释性、延迟、合规与成本；
3、设计可扩展、高可用、安全合规的AI系统架构（含向量数据库、知识图谱、微服务集成、监控告警等），并产出清晰的技术文档、架构图和trade-off分析报告；
4、主导AI项目的落地执行：从原型验证到生产环境部署，指导或带领工程师团队实现方案；
5、持续跟踪AI技术前沿（LLM、Agentic AI、多模态、推理优化等），为公司AI战略提供技术建议和路线图；
6、解决大模型在落地中的幻觉、响应速度、Token 成本、长文本处理及复杂任务编排（Agentic Workflow）等实战难题；
7、建立 AI 评估体系（Eval），将不确定的模型输出转化为确定的软件服务，制定 AI 产品的研发与上线标准；
任职要求
1、本科及以上学历，计算机、人工智能、机器学习等相关专业优先；
2、拥有5年以上AI/ML相关经验，3年及以上担任AI架构师经验、解决方案架构师或类似技术角色；
3、有成功将AI产品从概念落地到生产的企业级AI应用、智能体系统、知识库系统、复杂工作流系统落地经验；
4、精通GenAI技术栈：LLM应用开发（LangChain/LlamaIndex/Haystack等）、RAG系统、Agent框架、向量数据库（Pinecone/Weaviate/Chroma等）、模型部署与优化（vLLM、TensorRT、ONNX等）；
5、深度理解 Transformer 架构及主流模型（GPT、Claude、DeepSeek、Llama）的优劣；
6、熟悉传统机器学习/深度学习框架（PyTorch/TensorFlow）、MLOps工具（MLflow、Kubeflow、Docker/K8s、CI/CD），以及与现有后端系统的集成经验；