The posting
AI 应用架构工程师 (Python+LangChain 向) T4 职责: 1、核心框架搭建:基于 Python+LangChain 技术栈,主导企业级 RAG 系统、AI Agent 智能体的架构设计与落地,覆盖「文档解析‑知识库构建‑检索增强‑智能体编排‑大模型交互」全流程,解决业务场景中 “知识精准问答、复杂任务自动化” 核心问题。 2、技术攻坚与优化:负责 LangChain 复杂 Chain 调试、Agent 任务规划 / 记忆 / 工具调用模块的定制开发,优化 Prompt Engineering 和 LLM 行为控制策略,提升 RAG 检索准确率、Agent 任务完成率及系统稳定性。 3、工程化落地:将 RAG/Agent 方案与业务系统(如能源预测平台、企业知识库、智能客服)集成,完成多线程 / 异步编程优化、接口设计、性能调优,保障系统高可用、低延迟。 4、技术沉淀与协作:梳理 LangChain/Agent/RAG 技术最佳实践,输出技术文档和开发规范;与算法、产品团队协作,将业务需求转化为可落地的 AI 应用架构方案。 5、前沿技术适配:跟踪 LangChain 生态、RAGFlow/Dify 等工具最新特性,探索 Multi‑Agent、工具调用、多模态 RAG 等技术在业务场景落地,推动 AI 应用迭代升级。
要求: 1、Python 根基深厚,精通多线程 / 多进程、异步编程(Asyncio)和网络编程。代码需具备工程化水准,结构清晰,可维护性强。 2、LangChain 根基深厚,能独立构建智能体(Agent)、调试复杂的 Chain、优化 Prompt Engineering;熟悉 AI Agent 构建方法论,并可根据具体业务场景采用合适方法;熟悉 LLM 行为控制方法,熟悉 RAG 构建。 3、熟悉主流大模型生态及本地部署方案,能完成大模型调用、微调适配及推理优化。 4、具备 RAG 系统全流程落地经验,熟悉向量数据库(Milvus、Chroma、Pinecone)、文档解析、向量化、检索重排等核心环节。 5、具备良好的问题分析与解决能力,能独立排查 LangChain/Agent/RAG 系统中的检索失效、Agent 逻辑异常、大模型幻觉等核心问题。 加分项: 有能源 / 电力 / 储能行业 AI 应用落地经验,或熟悉时序预测、运筹优化等算法与 AI 应用结合场景。 熟悉 RAGFlow/Dify 等工具与 LangChain 的集成方案,有实际项目落地案例。 具备 Docker/K8s 部署经验,能完成 AI 应用的容器化、分布式部署。



