AI/算法需求 5/5难度 2/5
AI 应用 / Agent 工程师
不训模型，但要保证模型别乱说
不训练模型，而是把模型能力组装成产品：RAG 知识库、Agent 工作流、Copilot、多模态应用。前后端与产品能力并重，是 2026 年转行 AI 最现实的入口。
编辑手记
这岗位的名字还在变，说明它还没定型。好事是新东西大家都不会；坏事是你得自己判断哪些是真需求，哪些是老板的一时兴起。
Python 或 TypeScriptLLM API 与 Function CallingRAG 与向量检索Prompt 工程与评测Web 后端基础
一线城市年度总包
20–35
应届 · 万
35–60
3 年 · 万
55–90
5 年 · 万
薪资区间对比上限 120 万
城市薪资系数（北京 = 100）
北京 100上海 96深圳 94杭州 93成都 80
你每天到底在干什么
- 设计 RAG 链路：切分、embedding、召回、重排、生成
- 编排 Agent：工具调用、状态机、失败重试与兜底
- 做 prompt 工程与评测集，持续优化效果与成本
- 把 AI 能力嵌进现有产品（Copilot / 工作流）
典型的一天
- 上午：看线上会话日志，找 badcase
- 下午：改 prompt / 检索策略，跑评测对比
- 强产品思维，需频繁和业务方对齐
技能清单
必须掌握
Python 或 TypeScriptLLM API 与 Function CallingRAG 与向量检索Prompt 工程与评测Web 后端基础成本与延迟优化
加分项
LangGraph / Dify 等编排框架MCP 协议微调（LoRA）前端交互设计
面试会考什么
1RAG 全链路常见问题与优化手段
2Agent 工具调用失败、幻觉、死循环怎么处理
3如何设计一套可复用的评测体系
4成本控制：token、缓存、模型分级路由
2026 趋势判断
2026 年企业 AI 预算从「训模型」转向「用模型」。MCP、Agent 编排、企业知识库成为标配需求，能把 AI 做成可用产品的人最紧缺。
同方向岗位的应届薪资
逐项对比 →同样口径（一线城市年度总包），区间位置越靠右越高。
值得去的地方
- 入行门槛相对低
- 岗位增量最大
- 容易做出可展示的作品
必须接受的代价
- 技术门槛不高，竞争激烈
- 效果受基座模型制约
- 岗位定义仍在演化
Next