{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "AI算法工程师-大模型/物理AI/世界模型方向",
        "job_level": "专家",AI生成
        "work_category": "",AI生成
        "department": "",
        "location": "重庆",
        "work_mode": "",AI生成
        "job_category": "算法"AI生成
    },
    "company": {
        "company_name": "某大型知名新能源汽车公司",
        "company_industry": "新能源汽车",
        "company_size": "10000人以上",
        "company_website": "",
        "company_description": ""
    },
    "compensation": {
        "salary_range": {
            "min": 40000,
            "max": 70000,
            "currency": "CNY",
            "cycle": "month"
        },
        "benefits": ""
    },
    "requirements": {
        "working_years": "",
        "degree": "学历不限",
        "language": "",AI生成
        "visa_support": "",
        "responsibilities": "",
        "requirements_text": "本岗位为算法团队多方向统一招聘，覆盖物理 AI、大模型与智能体、感知与世界模型三大⽅向，招聘职级含⼯程师、主任⼯程师、专家。入职后将结合你的技术背景与求职意向确定具体方向与职级，满⾜以下任一方向背景即可投递。\n【岗位职责】\n岗位职责按方向分组列出（共 14 项），入职后按定岗方向承担对应模块：\n方向一：物理 AI（AI for Engineering）\n1. 物理场预测与神经算子：面向流体、结构、热管理、声振、多体系统、多物理场等场景，构建流场、应力、温度、声振与系统响应的快速预测模型；研究应用 PINN、DeepONet、FNO、GNO、UNO、MeshGraphNet、Neural PDE Solver、Physics-informed loss 等方法；设计物理约束损失函数（守恒、边界/初始条件、对称性、能量等约束），开展跨工况、跨几何、跨设计方案泛化建模，仿真与试验数据融合、虚实一致性分析及模型可信度评估。\n2. 工程代理模型：面向风阻、升力、刚度、强度、疲劳寿命、NVH 响应、碰撞指标、能耗与控制性能等工程指标，构建多输入、多输出、多工况、多任务代理模型；应用响应面、Kriging、高斯过程、XGBoost、深度神经网络、图神经网络、Transformer 等方法；开展 DOE 采样、敏感度分析、不确定性估计与适用边界评估，支撑设计空间探索、参数扫描、方案筛选与设计优化。\n3. 几何深度学习：研究 CAD、B-Rep、Mesh、点云、Voxel、SDF 等工程几何数据的表示学习；应用 PointNet/PointNet++、DGCNN、MeshCNN、MeshGraphNet、GNN、Graph Transformer、Neural Fields 等模型构建几何编码能力；面向车身外形、结构件、底盘零件、电池包等对象，实现几何到风阻、应力、刚度、质量及布置/工艺风险的预测建模，支撑几何相似检索、设计变更影响分析、设计优化与智能审查。\n方向二：大模型与智能体\n4. 大模型应用工程化：模型接入、模型服务、模型路由、Prompt 管理、上下文管理与调用监控；智能体运行框架建设，支撑任务理解、计划生成、步骤执行、工具调用（Function Calling / Tool Calling）、结果校验、失败恢复与人工确认；任务编排、工作流引擎与 Trace 可观测能力建设。\n5. 知识引擎与 RAG：多源异构知识（文档、表格、图片、代码、流程、规范、仿真与测试数据）接入解析与知识建模；构建知识图谱、语义索引与元数据体系；优化文档切分、语义检索、混合检索、重排序、查询改写、上下文组装、答案溯源与知识质量治理。\n6. 记忆系统：设计用户、任务、知识、工具调用、业务过程等通用记忆模型与长期/短期/工作记忆多层架构；研发记忆结构化抽取、摘要压缩、语义索引、冲突消解与遗忘机制；开展记忆质量评估与治理，提升多轮任务与跨会话场景的连续理解能力。\n7. 语音算法：ASR、TTS、语音唤醒、声纹识别、语音活动检测、回声消除、噪声抑制与语音增强；车载复杂声学环境（噪声、多说话人、远场、口音方言等）下的效果优化；语音与大模型、智能体、工具链集成，实现语音到任务、语音到知识问答的能力闭环。\n8. 多模态大模型：图像、视频、文档、表格、工程图纸等多模态数据的建模、融合与理解；建设 OCR、版面分析、表格理解、目标检测、视觉问答与跨模态推理能力；负责多模态模型选型、微调、蒸馏、量化与部署优化，支持云端、边缘端、车端环境。\n9. 评测体系：面向智能体、RAG、工具调用、工作流、知识问答等场景构建评测指标、评测集与自动化评测流程；开展回归测试、失败案例分析、能力诊断、线上质量监控与数据闭环。\n10. 大模型安全：输入输出安全机制（敏感信息识别、提示注入防护、越权访问防护、幻觉风险控制、不当内容过滤）；智能体工具调用安全（权限、调用边界、参数校验、风险操作拦截与审计）；RAG、知识库与记忆系统的数据安全与权限隔离；安全评测与红队测试。\n11. 智能体自进化：失败案例挖掘与归因分析；成功案例、专家修正与业务规则的沉淀机制；围绕 Prompt、RAG、工具调用、任务规划、工作流等环节设计自动/半自动优化方法，构建“问题发现—样本生成—策略优化—离线验证—灰度发布—效果追踪”闭环。\n方向三：感知与世界模型\n12. 三维重建：基于相机、激光雷达、IMU、GNSS/RTK 等多源传感器的融合建图、点云处理（去噪、配准、融合、补全）、场景建模与语义化理解；探索 NeRF、3D Gaussian Splatting、隐式场、神经渲染等前沿技术；将重建结果转换为 CARLA / Unreal Engine 仿真资产（Mesh、纹理、道路拓扑、标志标线等），适配 OpenDRIVE、OpenSCENARIO、HD Map、Lanelet2 等格式。\n13. 世界模型与生成式场景仿真：构建道路结构、路面细节、车辆行为、环境变化与交互关系的统一建模能力；基于真实数据构建可生成、可预测、可控制、可评估的路面场景模型（对开路面、低附路面、炮弹坑、飞坡等）；探索 4D 场景建模、视频生成、扩散模型、多模态大模型等技术，支撑场景复现、场景泛化与长尾场景构造，服务感知、预测、规划、控制算法验证。\n通用职责\n14. 与仿真、试验、设计、数据平台、算法平台及业务团队协同，跟踪前沿技术并推动验证落地，将算法能力封装为可复用模型服务与工具，在工程研发场景规模化应用；沉淀数据规范、模型资产、评测基准与最佳实践。\n【任职要求】\n1. 本科及以上学历，硕士及以上优先；计算机、人工智能、软件工程、数学、统计学、自动化、电子信息、通信、测绘，以及流体/固体/计算力学、热物理、声学、车辆工程、机械工程等理工科相关专业。\n2. 熟练掌握 Python（三维重建方向需 Python 或 C++），熟悉 PyTorch、TensorFlow、JAX 等深度学习框架及 NumPy、SciPy、Pandas 等科学计算工具。\n3. 具备扎实的机器学习/深度学习基础，能够独立完成数据处理、模型设计与训练、误差分析、结果可视化与实验复盘。\n4. 具备良好的工程实现能力与系统思维，能将算法封装为可复用服务与组件；具备跨团队沟通协同与技术攻关能力。\n5. 满足以下任一方向的技术背景即可：\n· 物理 AI：具备 PINN、神经算子、PDE 学习、科学机器学习、物理场预测、代理模型、几何深度学习或 CAE / CFD 数据建模相关经验；理解偏微分方程、边界/初始条件及有限元、有限体积、有限差分等数值方法；熟悉流体、结构、热、声、振动、多体、多物理场耦合等至少一种场景。\n· 大模型：具备大模型应用、智能体、RAG、知识图谱、记忆系统、多模态、语音、评测或安全相关项目经验；熟悉 LangChain、LangGraph、LlamaIndex 等框架及 Milvus、FAISS、Elasticsearch、Neo4j 等检索存储工具。\n· 感知 / 世界模型：具备三维重建、SLAM、SfM / MVS、多视图几何、点云处理项目经验（此方向硕士及以上优先）；或熟悉世界模型、生成式模型、视频生成、扩散模型等技术；了解 CARLA、Unreal Engine、OpenDRIVE、ROS / ROS2 者优先。\n【加分项】\n1. 有汽车研发、工程仿真（CAE / CFD）、设计优化、测试验证、智能座舱、自动驾驶等业务场景的 AI 应用经验；有 AI for Engineering、AI for CAE、AI for Science 相关论文、开源项目或工程落地经验。\n2. 熟悉 Fluent、Star-CCM+、OpenFOAM、Abaqus、Nastran、LS-DYNA、Ansys、COMSOL、HyperWorks、Adams、CarSim 等仿真工具，或 CATIA、NX、Creo、HyperMesh、ANSA 等 CAD 工具产生的数据结构；熟悉 Isight、modeFRONTIER、HEEDS、optiSLang 等优化平台。\n3. 有大模型微调（LoRA / SFT / DPO）、蒸馏、量化、端侧部署与推理优化经验；有 MLOps、LLMOps、AgentOps 或评测平台建设经验。\n4. 有不确定性估计、主动学习、贝叶斯优化、多任务学习、小样本学习、迁移学习、可微仿真、物理一致性校验、PDE-constrained learning 等经验。\n5. 有企业级大模型平台、智能体平台、知识中台、研发工具链平台从 0 到 1 建设经验；有模型网关、模型路由、PromptOps、成本优化、限流降级、安全护栏等经验。\n6. 有 NeRF、3D Gaussian Splatting、几何 Diffusion、Neural Fields、4D 场景建模、生成式设计、拓扑优化等前沿方向研究经验；有 OpenCASCADE、pythonOCC、CGAL、VTK、PyVista、Open3D 等几何处理工具经验。\n7. 有多语种、方言、口音、情绪语音、语音克隆、声纹安全等经验；熟悉数据安全、隐私保护、汽车软件安全等相关标准或实践。\n认证资质\n人力资源服务许可证",
        "skills": [AI生成
            "大模型",
            "物理AI",
            "世界模型",
            "物理场预测",
            "神经算子",
            "PINN",
            "DeepONet",
            "FNO"
        ],
        "preferred_qualifications": "",
        "job_highlights": ""
    },
    "contact": {
        "recruiter_name": "",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://www.zhipin.com/job_detail/01f6d8b0bc92b4100nN_0tS5GFdS.html"
            }
        ]
    },
    "posting": {
        "posting_id": "01f6d8b0bc92b4100nN_0tS5GFdS",
        "post_date": "",
        "hire_time": "",
        "update_date": "",
        "job_url": "https://www.zhipin.com/job_detail/01f6d8b0bc92b4100nN_0tS5GFdS.html"
    },
    "fulltext": "本岗位为算法团队多方向统一招聘，覆盖物理 AI、大模型与智能体、感知与世界模型三大⽅向，招聘职级含⼯程师、主任⼯程师、专家。入职后将结合你的技术背景与求职意向确定具体方向与职级，满⾜以下任一方向背景即可投递。\n【岗位职责】\n岗位职责按方向分组列出（共 14 项），入职后按定岗方向承担对应模块：\n方向一：物理 AI（AI for Engineering）\n1. 物理场预测与神经算子：面向流体、结构、热管理、声振、多体系统、多物理场等场景，构建流场、应力、温度、声振与系统响应的快速预测模型；研究应用 PINN、DeepONet、FNO、GNO、UNO、MeshGraphNet、Neural PDE Solver、Physics-informed loss 等方法；设计物理约束损失函数（守恒、边界/初始条件、对称性、能量等约束），开展跨工况、跨几何、跨设计方案泛化建模，仿真与试验数据融合、虚实一致性分析及模型可信度评估。\n2. 工程代理模型：面向风阻、升力、刚度、强度、疲劳寿命、NVH 响应、碰撞指标、能耗与控制性能等工程指标，构建多输入、多输出、多工况、多任务代理模型；应用响应面、Kriging、高斯过程、XGBoost、深度神经网络、图神经网络、Transformer 等方法；开展 DOE 采样、敏感度分析、不确定性估计与适用边界评估，支撑设计空间探索、参数扫描、方案筛选与设计优化。\n3. 几何深度学习：研究 CAD、B-Rep、Mesh、点云、Voxel、SDF 等工程几何数据的表示学习；应用 PointNet/PointNet++、DGCNN、MeshCNN、MeshGraphNet、GNN、Graph Transformer、Neural Fields 等模型构建几何编码能力；面向车身外形、结构件、底盘零件、电池包等对象，实现几何到风阻、应力、刚度、质量及布置/工艺风险的预测建模，支撑几何相似检索、设计变更影响分析、设计优化与智能审查。\n方向二：大模型与智能体\n4. 大模型应用工程化：模型接入、模型服务、模型路由、Prompt 管理、上下文管理与调用监控；智能体运行框架建设，支撑任务理解、计划生成、步骤执行、工具调用（Function Calling / Tool Calling）、结果校验、失败恢复与人工确认；任务编排、工作流引擎与 Trace 可观测能力建设。\n5. 知识引擎与 RAG：多源异构知识（文档、表格、图片、代码、流程、规范、仿真与测试数据）接入解析与知识建模；构建知识图谱、语义索引与元数据体系；优化文档切分、语义检索、混合检索、重排序、查询改写、上下文组装、答案溯源与知识质量治理。\n6. 记忆系统：设计用户、任务、知识、工具调用、业务过程等通用记忆模型与长期/短期/工作记忆多层架构；研发记忆结构化抽取、摘要压缩、语义索引、冲突消解与遗忘机制；开展记忆质量评估与治理，提升多轮任务与跨会话场景的连续理解能力。\n7. 语音算法：ASR、TTS、语音唤醒、声纹识别、语音活动检测、回声消除、噪声抑制与语音增强；车载复杂声学环境（噪声、多说话人、远场、口音方言等）下的效果优化；语音与大模型、智能体、工具链集成，实现语音到任务、语音到知识问答的能力闭环。\n8. 多模态大模型：图像、视频、文档、表格、工程图纸等多模态数据的建模、融合与理解；建设 OCR、版面分析、表格理解、目标检测、视觉问答与跨模态推理能力；负责多模态模型选型、微调、蒸馏、量化与部署优化，支持云端、边缘端、车端环境。\n9. 评测体系：面向智能体、RAG、工具调用、工作流、知识问答等场景构建评测指标、评测集与自动化评测流程；开展回归测试、失败案例分析、能力诊断、线上质量监控与数据闭环。\n10. 大模型安全：输入输出安全机制（敏感信息识别、提示注入防护、越权访问防护、幻觉风险控制、不当内容过滤）；智能体工具调用安全（权限、调用边界、参数校验、风险操作拦截与审计）；RAG、知识库与记忆系统的数据安全与权限隔离；安全评测与红队测试。\n11. 智能体自进化：失败案例挖掘与归因分析；成功案例、专家修正与业务规则的沉淀机制；围绕 Prompt、RAG、工具调用、任务规划、工作流等环节设计自动/半自动优化方法，构建“问题发现—样本生成—策略优化—离线验证—灰度发布—效果追踪”闭环。\n方向三：感知与世界模型\n12. 三维重建：基于相机、激光雷达、IMU、GNSS/RTK 等多源传感器的融合建图、点云处理（去噪、配准、融合、补全）、场景建模与语义化理解；探索 NeRF、3D Gaussian Splatting、隐式场、神经渲染等前沿技术；将重建结果转换为 CARLA / Unreal Engine 仿真资产（Mesh、纹理、道路拓扑、标志标线等），适配 OpenDRIVE、OpenSCENARIO、HD Map、Lanelet2 等格式。\n13. 世界模型与生成式场景仿真：构建道路结构、路面细节、车辆行为、环境变化与交互关系的统一建模能力；基于真实数据构建可生成、可预测、可控制、可评估的路面场景模型（对开路面、低附路面、炮弹坑、飞坡等）；探索 4D 场景建模、视频生成、扩散模型、多模态大模型等技术，支撑场景复现、场景泛化与长尾场景构造，服务感知、预测、规划、控制算法验证。\n通用职责\n14. 与仿真、试验、设计、数据平台、算法平台及业务团队协同，跟踪前沿技术并推动验证落地，将算法能力封装为可复用模型服务与工具，在工程研发场景规模化应用；沉淀数据规范、模型资产、评测基准与最佳实践。\n【任职要求】\n1. 本科及以上学历，硕士及以上优先；计算机、人工智能、软件工程、数学、统计学、自动化、电子信息、通信、测绘，以及流体/固体/计算力学、热物理、声学、车辆工程、机械工程等理工科相关专业。\n2. 熟练掌握 Python（三维重建方向需 Python 或 C++），熟悉 PyTorch、TensorFlow、JAX 等深度学习框架及 NumPy、SciPy、Pandas 等科学计算工具。\n3. 具备扎实的机器学习/深度学习基础，能够独立完成数据处理、模型设计与训练、误差分析、结果可视化与实验复盘。\n4. 具备良好的工程实现能力与系统思维，能将算法封装为可复用服务与组件；具备跨团队沟通协同与技术攻关能力。\n5. 满足以下任一方向的技术背景即可：\n· 物理 AI：具备 PINN、神经算子、PDE 学习、科学机器学习、物理场预测、代理模型、几何深度学习或 CAE / CFD 数据建模相关经验；理解偏微分方程、边界/初始条件及有限元、有限体积、有限差分等数值方法；熟悉流体、结构、热、声、振动、多体、多物理场耦合等至少一种场景。\n· 大模型：具备大模型应用、智能体、RAG、知识图谱、记忆系统、多模态、语音、评测或安全相关项目经验；熟悉 LangChain、LangGraph、LlamaIndex 等框架及 Milvus、FAISS、Elasticsearch、Neo4j 等检索存储工具。\n· 感知 / 世界模型：具备三维重建、SLAM、SfM / MVS、多视图几何、点云处理项目经验（此方向硕士及以上优先）；或熟悉世界模型、生成式模型、视频生成、扩散模型等技术；了解 CARLA、Unreal Engine、OpenDRIVE、ROS / ROS2 者优先。\n【加分项】\n1. 有汽车研发、工程仿真（CAE / CFD）、设计优化、测试验证、智能座舱、自动驾驶等业务场景的 AI 应用经验；有 AI for Engineering、AI for CAE、AI for Science 相关论文、开源项目或工程落地经验。\n2. 熟悉 Fluent、Star-CCM+、OpenFOAM、Abaqus、Nastran、LS-DYNA、Ansys、COMSOL、HyperWorks、Adams、CarSim 等仿真工具，或 CATIA、NX、Creo、HyperMesh、ANSA 等 CAD 工具产生的数据结构；熟悉 Isight、modeFRONTIER、HEEDS、optiSLang 等优化平台。\n3. 有大模型微调（LoRA / SFT / DPO）、蒸馏、量化、端侧部署与推理优化经验；有 MLOps、LLMOps、AgentOps 或评测平台建设经验。\n4. 有不确定性估计、主动学习、贝叶斯优化、多任务学习、小样本学习、迁移学习、可微仿真、物理一致性校验、PDE-constrained learning 等经验。\n5. 有企业级大模型平台、智能体平台、知识中台、研发工具链平台从 0 到 1 建设经验；有模型网关、模型路由、PromptOps、成本优化、限流降级、安全护栏等经验。\n6. 有 NeRF、3D Gaussian Splatting、几何 Diffusion、Neural Fields、4D 场景建模、生成式设计、拓扑优化等前沿方向研究经验；有 OpenCASCADE、pythonOCC、CGAL、VTK、PyVista、Open3D 等几何处理工具经验。\n7. 有多语种、方言、口音、情绪语音、语音克隆、声纹安全等经验；熟悉数据安全、隐私保护、汽车软件安全等相关标准或实践。\n认证资质\n人力资源服务许可证"
}