AI应用开发工程师

💵 2026 年薪资区间与平均薪资

下表口径：一线城市 · 社招 · 税前月薪（现金部分）。数字综合 2026 年公开招聘信息与薪酬报告整理，不是精确统计 —— 校招与社招、均值与中位、是否含股票期权的口径差异很大，实际请以招聘平台实时岗位为准。

平均月薪参考：约 32K（一线城市社招口径）。溢价点在「能把效果做出来且算得清成本」：会用 RAG 与工具调用的人多，能量化业务指标的人少。

可以对照的公开锚点：2026 届校招里 AI 相关岗位月薪中位值约 2.53 万元；偏中高端的样本中 AI 岗位平均月薪约 6.07 万元；算法研究员 / 大模型算法岗位普遍在 7 万元 左右，AI 科学家 / 负责人可达 13 万元 以上。资深 AI 人才 2026 年的调薪幅度最高可达 20%–35%，高于市场平均。

地域差异明显：长三角与大湾区贡献了全国近七成的 AI 岗位需求，北京、上海、深圳、杭州、苏州的薪酬普遍高于其他城市。

🏦 岗位画像：不训模型，但决定模型能不能用

AI 应用开发工程师是把模型变成产品的人。不需要自己训模型，但要对「模型在什么输入下会犯错」有直觉，并设计出能兜住的系统。

日常高频动作：写提示词、搭检索链路、接工具调用、设计降级策略、盯线上 bad case。相比算法岗，这个岗位离业务指标更近——考核的是「用户任务完成率」「人工转接率」「单次成本」，而不是 loss 曲线。

三类用人方：

• AI 原生创业公司：一人负责整条链路，从 Prompt 到前端到上线
• 传统企业的数字化/AI 小组：做内部提效工具、客服、知识库问答
• 大厂业务线：在既有产品里嵌 AI 能力，强调稳定性与合规

📅 岗位职责

• Prompt 设计与版本管理：模板、few-shot 示例、输出格式约束
• RAG 链路：文档切分、向量化、检索、重排、上下文拼装、引用回传
• 工具调用（Function Calling）：工具定义、参数校验、失败重试、结果回灌
• 编排与状态管理：多轮对话、多步骤任务、超时与中断
• 评测与迭代：构建业务评测集、做离线评估、灰度与 A/B
• 可观测性：日志、trace、成本与延迟监控

🗝️ 岗位技能：技术基础

必备

• 提示工程：角色设定、输出约束（JSON schema）、思维链的适用与不适用、few-shot 的示例选择
• RAG 全链路：切分粒度（按标题/固定长度/语义）、embedding 模型选型、向量库、混合检索（关键词 + 向量）、重排模型
• 上下文管理：token 预算分配、历史压缩与摘要、长文档的 map-reduce 与 refine 策略
• 工具调用：结构化输出、参数校验、幂等与重试、防止模型编造参数
• 评测方法：离线评测集、LLM-as-judge 的偏差、人工抽检比例
• 工程基础：流式输出（SSE）、并发控制、限流、缓存、超时降级

加分

• 用过 LangChain / LlamaIndex 等框架，并能说清「什么时候不该用框架」
• 做过检索质量调优：召回率与准确率的权衡、重排带来的收益量化
• 懂一点模型侧：量化、微调对延迟与质量的影响，能和算法同学对话
• 有前端能力，能自己把交互跑通（流式渲染、引用高亮）

🛡️ 技术面重点

• 「知识库问答答不准，怎么查？」——考全链路定位能力。要先区分是检索没召回、还是召回了但模型没用、还是文档本身就没答案。给出分步排查方案比直接换模型更得分。
• 「文档怎么切分？」——考细节。固定长度会切断语义，按标题层级切更稳，表格和代码块要单独处理，并保留来源元数据便于引用。
• 「怎么防止模型输出非 JSON？」——考工程兜底：结构化输出/约束解码、schema 校验、失败重试、以及二次修复（让模型自己改）。
• 「成本怎么控？」——考产品感：缓存、分级模型（简单问题走小模型）、压缩上下文、限制输出长度、批处理。
• 「怎么评估一个 AI 功能好不好？」——考指标体系：任务完成率、人工转接率、平均轮次、P95 延迟、单次成本，以及怎么建评测集。
• 「幻觉怎么治？」——要分层回答：检索侧提召回质量、Prompt 侧要求引用与拒答、系统侧做后校验、产品侧给用户可见的来源。

⚖️ 业务场景：选型与权衡

🚧 故障排查

• 答非所问：先看检索结果是否相关（打印 top-k 原文），再看 Prompt 是否把上下文淹没，最后才是模型能力问题
• 响应慢：拆分耗时——向量检索、重排、模型首 token、生成总时长；首 token 慢多半是 Prompt 太长
• 格式不稳定：加强 schema 约束、降低温度、把示例放进 few-shot、失败自动重试
• 多轮对话丢上下文：历史压缩策略过于激进，或系统提示被后续消息挤掉
• 并发上不去：连接池、上游限流、无缓存；要按 P95 而不是平均值做容量规划

💵 成本优化

• 分级路由：简单问题走小模型或规则，复杂问题才给大模型，通常能省一半以上
• 缓存：相同/相似问题缓存答案；检索结果也可缓存
• 上下文瘦身：只放相关片段、去掉冗余格式、压缩历史；输入 token 往往是成本大头
• 限制输出：max_tokens 卡死、要求简洁输出，输出 token 比输入贵得多
• 批处理：离线任务合并请求，别一问一答
• 监控单次成本：把它做成看板指标，否则成本会随用量静默失控

♾️ 项目经历怎么讲

这个岗位面试官最想看到你做过取舍的证据。项目描述建议包含：

1. 用户是谁、原来怎么做、痛点是什么（不是「做了一个问答机器人」）
2. 为什么这样设计：为什么 RAG 而不是微调，为什么切 500 字而不是 1000 字
3. 上线后的真实数字：任务完成率、人工转接率变化、单次成本、P95 延迟
4. 踩过的坑与修法：检索召回差怎么定位、并发打满怎么解

如果做过「从 0 到 1」，重点讲决策链路；如果做的是优化，重点讲「怎么定位瓶颈 + 优化前后对比」。两句都别少：指标变化和你个人的具体动作。