匠人学院 JR Academy
← 返回岗位列表

AI 工程师

AI Engineer

技术岗

把模型接入能上线的软件。工作包括选择模型、接入业务数据和工具、用评测集追踪回答质量,以及监控成本和延迟。求职时留意岗位侧重应用交付、机器学习平台还是模型训练,这三类岗位的要求差别很大。

招聘搜索关键词
Applied AI Engineer · Generative AI Engineer
核心技能
LLM · RAG · AI Agent · Prompt Engineering · 模型评估 · 系统设计

AI 工程师(AI Engineer)是做什么的?澳洲招聘要求什么技能?

把模型接入能上线的软件。工作包括选择模型、接入业务数据和工具、用评测集追踪回答质量,以及监控成本和延迟。求职时留意岗位侧重应用交付、机器学习平台还是模型训练,这三类岗位的要求差别很大。

在澳洲招聘网站上常见的英文职位名:Applied AI Engineer、Generative AI Engineer。招聘原文反复出现的核心技能:LLM、RAG、AI Agent、Prompt Engineering、模型评估、系统设计。

本页不给薪资数字。比较薪资时,对照同一城市、职级和雇佣类型的近期招聘广告,分别记录基本工资、super 和奖金。

在匠人学院系统学习这个方向

打开课程查看完整大纲和报名信息。

AI Engineer = Full-stack + Prompt + Cloud + Data + AI Core逐项自评全栈开发、提示词、云基础、数据思维和 AI 工程能力,看看接下来该补哪些技能。
开始测评 →

职责与能力要求

核心职责

  • 设计、构建和部署 AI 系统,将验证过的原型做成可供用户使用的功能
  • 构建 RAG (检索增强生成) 管线——文档切分、Embedding 策略、向量数据库、检索优化和重排序,连接企业私有知识库
  • 开发 AI Agent 系统——使用 LangChain、CrewAI、Claude Agent SDK 等框架构建能自主规划、推理和执行多步骤工作流的智能体
  • 设计和维护生产级 Prompt 系统——System Prompt 架构、Few-shot 模板库、防注入策略和自动化评测管线
  • 在开发中给 AI 编程工具提供项目上下文,审查生成的代码,并用自动化测试验证改动。
  • 将 AI 模型通过 API 和微服务集成到现有业务系统——处理容器化部署(Docker/Kubernetes)、CI/CD 和云平台(AWS/Azure/GCP)
  • 搭建 AI 系统的评测、监控和可观测性体系(Langfuse、LangSmith)——追踪延迟、准确率、成本和异常
  • 管理 AI 推理成本——优化 Token 使用、Prompt Caching、模型路由策略(大模型处理复杂任务、小模型处理简单任务)
  • 与数据科学家协作完成模型从研究到生产的过渡,与产品经理对齐 AI 功能需求和用户体验

必备要求

逐条对照岗位要求,选择「我有」「还没有」或「不确定」,查看你还需要补哪些能力。

  1. 能用 Python 开发服务,能与使用 TypeScript 或 JavaScript 的产品团队协作,并具备软件工程实践经验。
  2. 有把 AI 功能部署到生产环境的经验,能说明上线前后的质量验证、监控和故障处理。
  3. 理解模型 API、上下文窗口、结构化输出和工具调用,能比较不同模型的质量、成本与延迟。
  4. 掌握 RAG 全链路:向量数据库(Pinecone/Weaviate/Qdrant/pgvector)、Embedding 模型、检索策略(HyDE、Reranking)
  5. 熟悉 AI Agent 框架(LangChain、LlamaIndex、CrewAI、Claude Agent SDK)和 Function Calling / Tool Use / MCP
  6. 能把 AI 辅助开发纳入正常工程流程,包括项目规则、代码审查、测试和版本控制。
  7. 掌握 MLOps 和部署管线:Docker、Kubernetes、CI/CD、模型版本管理
  8. 熟悉云平台(AWS SageMaker / Azure AI / GCP Vertex AI)中至少一个
  9. 有端到端交付 AI 系统的经验,能用评测结果说明设计取舍和失败场景。
岗位能力自查

你的第一版差距

你自己说的 · 来自勾选

先勾一条要求,这里会列出你缺什么、对应页面上转型路径的哪一步。

想更准?

现在的结果只来自你自己的勾选。补一份材料,依据会升级:

要动手做的作品和项目,在 CareerOS 桌面版完成。了解 CareerOS 桌面版

加分项

  • 有 Fine-tuning / PEFT / LoRA 经验——在私有数据上微调模型
  • 有模型推理优化和 GPU 部署经验,能在 vLLM 或 SGLang 等推理服务上比较吞吐、延迟和资源占用
  • 有知识图谱或 GraphRAG 实践经验
  • 熟悉多模态 AI(Vision、Audio、Video)应用开发
  • 有 AI 安全测试经验,例如识别提示词注入或越权工具调用。
  • 有流式数据平台经验(Kafka、Spark Streaming)
  • 有金融、医疗、电商或法律等行业的业务知识,能将领域规则转成可验证的要求。
  • 能估算推理成本,并权衡缓存、模型路由与响应质量。
  • 有 AI PR Review 自动化经验——用 AI 工具实现代码审查自动化
  • 熟悉 Context Engineering(上下文工程)——理解上下文压缩、记忆管理和降级策略

典型的一天

  • 上午:查看 AI 系统监控面板——分析过夜的评测报告、延迟指标和推理成本异常
  • 上午:与产品经理对齐新 AI 功能需求——评估技术可行性,设计 Prompt + RAG + Agent 混合方案
  • 下午:检查 AI 辅助生成的改动,补上边界测试并记录回归风险
  • 下午:开发新的 Agent 工作流——定义工具集、编排执行步骤、编写评测用例,用 LLM-as-Judge 自动打分
  • 下午:对比检索与重排序方案,检查回答能否引用正确的文档,以及在查不到依据时是否会停止作答
  • 晚间:跟进 AI 社区最新动态(新模型发布、框架更新),在团队 Slack 分享技术雷达更新

转型建议

适合转入的背景

  • 后端或全栈开发者可以把 API 设计、测试和部署经验用于 AI 应用开发。看这个职业现在的情况:软件工程师 · 全栈开发工程师
  • Vibe Coding 爱好者:已经在用 Cursor/Claude Code 写项目,补齐 RAG、Agent 和生产化技能即可进阶 AI Engineer
  • 数据工程师:熟悉数据管线、ETL 和分布式系统,转 RAG 工程非常自然看这个职业现在的情况:数据工程师
  • 数据科学家:有 ML 基础和模型训练经验,补齐工程化和部署能力即可转型看这个职业现在的情况:高级数据科学家
  • DevOps / SRE:理解生产环境运维、容器化和 CI/CD,AI 系统部署和监控技能可直接迁移看这个职业现在的情况:DevOps 工程师 · 站点可靠性工程师
  • Prompt Engineer:已掌握核心技能之一,向全栈 AI 工程师扩展——学习系统设计和生产化

转型路径

  1. 第 1 步:掌握 AI Coding 工具——安装 Cursor 或 Claude Code,完成 Vibe Coding Hub 实战,学会用自然语言驱动开发
  2. 第 2 步:掌握 Prompt Engineering 核心技术——完成 JR Academy Prompt Master 课程,练习 CoT、Few-shot、System Prompt 设计
  3. 第 3 步:学习 RAG 系统构建——搭建一个端到端的知识问答系统(文档加载 → 切分 → Embedding → 检索 → 生成)
  4. 第 4 步:学习 AI Agent 开发——用 LangChain 或 Claude Agent SDK 构建一个多工具调用的自主 Agent
  5. 第 5 步:掌握生产化技能——学习 Docker/K8s 部署、API 设计、监控体系(Langfuse)和成本优化
  6. 第 6 步:搭建完整项目作品集——在 GitHub 展示 1-2 个生产级 AI 系统(含评测报告、架构文档和成本分析),投递目标公司

学习路线图

Phase 1: Prompt & LLM 基础

用角色、明确约束、少样本和输出校验设计提示词,并用代表性任务比较效果熟练使用 OpenAI / Anthropic / Google API,理解 Token 计费、模型选择和 Streaming学习 LLM 核心原理:Attention、Tokenization、上下文窗口、Temperature/Top-P完成 JR Academy Prompt Master 全部课程

Phase 2: AI Coding & Vibe Coding

掌握 Cursor / Claude Code / Kiro 等 AI Coding 工具——学会用自然语言驱动开发用项目规则、任务上下文和自动化测试约束 AI 编程工具的改动学习 AI 辅助调试、AI PR Review 和代码质量自动化检查完成 Vibe Coding Hub 实战练习,用 AI 从零构建一个完整项目

Phase 3: RAG 系统构建

学习向量数据库(Pinecone / Weaviate / Qdrant / pgvector)和 Embedding 模型掌握文档切分策略(Recursive、Semantic Chunking)和检索优化(HyDE、Reranking、MMR)学习 Context Engineering:上下文压缩、记忆管理与降级策略构建一个完整的企业知识问答 RAG 系统

Phase 4: Agent & 生产化

学习 LangChain / CrewAI / Claude Agent SDK 构建多步骤 Agent掌握 Function Calling / Tool Use / MCP 和工作流编排学习 Docker/Kubernetes 部署和云平台(AWS/Azure/GCP)搭建监控和评测体系(Langfuse、LangSmith、LLM-as-Judge)

Phase 5: 求职准备

完成 1-2 个端到端生产级项目——含系统设计文档、评测报告和成本分析练习 AI System Design 面试——大厂常考设计题到 AI Engineer Hub 测试自己的能力分布,针对性补齐短板准备技术作品集和面试,投递目标公司(OpenAI、Anthropic、Google、Meta、Microsoft 等)

常见误区

误区

认为 AI Engineer 只需要会调 API,不需要理解底层原理

正解

理解模型上下文、输出不确定性和工具调用边界,才能解释线上错误并设计可重复的验证。

误区

只会做 demo,不关心生产环境的稳定性、成本和评测

正解

项目上线前记录质量、延迟和成本基线,部署后监控变化,并准备回退路径。

误区

只精通一个方向(如只会 RAG),不了解其他 AI 工程技能

正解

AI Engineer 是复合角色——Prompt + RAG + Agent + 评测 + 部署都要掌握,才能独立交付完整系统

误区

忽视传统软件工程基础,只追新框架和新模型

正解

扎实的后端工程能力(API 设计、数据库、Docker/K8s、CI/CD、测试)是 AI 系统可靠运行的根基

误区

不关注垂直领域知识,觉得"通用 AI 技能"就够了

正解

用目标行业的数据和工作流程设计评测,同时考虑权限、业务规则和误判成本。

误区

只比较模型调用价格,忽略检索、工具调用和重试的成本

正解

以完成一项任务的总成本比较方案,并记录缓存命中、额外调用和失败后的回退。

误区

不用 AI Coding 工具,觉得手写代码才是"真正的工程师"

正解

把 AI 编程工具纳入代码审查流程,并用测试结果评估改动质量。

推荐学习资源

想转向这些岗位,可以看这些课程和服务

课程安排、费用和开班时间以课程页为准。

准备好了吗?

开始学习 AI 工程师 所需的核心技能

开始学习 →