蔚来
校招提前批-车端 AI Agent 与应用生态系统架构工程师
上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 我们希望你具备
- 博士学历，计算机、人工智能、软件工程、人机交互、机器人、操作系统、分布式系统等相关方向。
- 熟悉以下至少一个方向：
- AI Agent、tool calling、MCP、workflow engine、多 Agent 协作
- OpenClaw、AutoGPT、LangGraph、CrewAI、Dify、Coze 等 AI 应用 / Agent 框架
- 大模型应用开发、长期记忆、RAG、agent memory、context engineering
- 应用沙箱、权限系统、安全策略、可信执行、隐私保护
- OS、应用框架、中间件、SOA、端云协同或开发者生态。
- 能够从 AI 应用形态反推底层系统架构，而不只是开发单个 demo。
- 对“AI 如何成为下一代应用入口”有自己的判断，并愿意把判断落到车端平台设计中。
- 具备跨团队沟通能力，能够连接 AI 应用、OS、座舱、云服务、安全、法务合规和产品体验团队。
- 加分项
- 有开源 Agent 框架、AI 应用平台、插件生态、开发者平台或工具链建设经验。
- 熟悉 prompt injection、tool abuse、权限绕过、供应链攻击、agent sandbox 等 AI Agent 安全问题。
- 有智能汽车、机器人、IoT、手机、PC、可穿戴设备等端侧 AI 应用经验。
- 既能写 POC，也能抽象平台能力和系统边界。
- 有开源贡献、开发者社区运营或 AI 应用生态建设经验。
岗位描述
岗位定位
随着大模型能力从“问答”走向“执行任务”，AI Agent、工具调用、长期记忆、多应用协同、权限控制、插件生态和本地化部署，正在成为下一代智能终端的重要能力。
在智能汽车场景中，车端 AI Agent 不只是一个语音助手，而可能成为连接用户、车辆、座舱、智能辅助驾驶、服务生态和云端能力的新一代应用入口。
架构团队希望招聘具备 AI Agent、OpenClaw 类应用生态、工具调用框架、多 Agent 协作或 AI 应用平台经验的博士校招生，参与定义下一代车端 AI 应用生态和系统架构。
你将负责
跟踪 AI Agent、OpenClaw 类开放生态、MCP / tool calling、workflow、multi-agent、agent memory、local-first agent、权限治理和插件生态的发展趋势。
分析这些 AI Agent 能力进入车端后的系统架构需求，包括应用框架、工具注册、权限模型、上下文管理、长期记忆、用户确认机制、沙箱隔离、安全审计和异常回滚。
参与设计车端 AI Agent 应用平台架构，使车端大模型能够安全、可控、可审计地调用车辆能力、座舱能力、云端服务和第三方应用。
研究车端 AI 应用生态如何与 OS、SOA 服务、车辆信号、用户数据、账号体系、隐私安全、车云协同和开发者工具链结合。
推动车端 AI Agent 典型场景 POC，例如车内个人助手、跨应用任务执行、行程规划、车辆控制、安全确认、服务推荐、用户记忆和多 Agent 协同。
将 AI 应用生态需求转化为平台架构指标和工程需求，包括延迟、可靠性、权限边界、数据最小化、离线能力、端云分工、资源占用和安全风险。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。