蔚来
实习实习-AI平台软件研发工程师
上海 · 实习 · 2027 届 · 本科
长期有效
任职要求
- 基础要求:
- - 2027 届本科及以上学历,计算机、软件工程等相关专业
- - 扎实的编程基础,熟练掌握 Python 或 Java/Go 中的至少一种
- - 熟悉常用数据结构和算法,有良好的代码规范
- - 了解数据库(MySQL/PostgreSQL)和缓存(Redis)的基本使用
- - 了解 RESTful API 设计和微服务架构
- - 实习期每周至少 4 天,可连续实习 6 个月及以上
- 加分项:
- - 熟悉 LangChain、LlamaIndex 等 AI Agent 框架
- - 了解知识图谱(Neo4j/JanusGraph)或向量数据库(Milvus/Qdrant)
- - 有分布式系统、消息队列(Kafka/RabbitMQ)的使用经验
- - 熟悉 Docker、Kubernetes 等容器技术
- - 有开源项目贡献或技术博客
- - 参加过 ACM/ICPC、Kaggle 等竞赛
- 技术栈(不要求全部掌握,但需要快速学习):
- - 后端: Python(FastAPI/Django) / Java(Spring Boot) / Go
- - 数据库: PostgreSQL, MySQL, Redis
- - 图数据库: Neo4j, JanusGraph
- - 向量数据库: Milvus, Qdrant, Weaviate
- - 消息队列: Kafka, RabbitMQ
- - 容器化: Docker, Kubernetes
- - AI 框架: LangChain, LlamaIndex, LangGraph
- - 监控: Prometheus, Grafana, Langfuse
- 我们看重的特质:
- - 技术热情: 对新技术保持好奇,愿意深入研究
- - 工程能力: 不仅能写代码,更能写出高质量、可维护的代码
- - 系统思维: 能够从架构层面思考问题
- - 快速学习: 能够快速掌握新技术和业务领域
- - 团队协作: 良好的沟通能力,愿意分享和帮助他人
- 你将获得
- 技术成长:
- - 参与构建企业级 AI 平台的完整技术栈
- - 深入学习 Agent 编排、知识图谱、语义层等前沿技术
- - 接触大规模分布式系统的设计和优化
- - 与顶尖工程师和架构师深度协作
- 项目经历:
- - 负责核心模块的开发和优化(可写入简历的亮点项目)
- - 参与从需求到上线的完整开发流程
- - 代码将服务于数千名 NIO 员工
- 转正机会:
- - 表现优秀者可获得校招绿色通道
- - 提前锁定 NIO AI 平台核心研发岗位
- - 成为企业 AI 领域的技术专家
- 工作场景示例
- 场景 1: 开发 Agent 编排引擎
- - 设计 Agent 的执行流程(任务分解、并行执行、结果聚合)
- - 实现 Agent 对多种知识源的挂载和查询
- - 开发 Agent 的可视化配置界面的后端 API
- - 优化 Agent 的执行性能,支持高并发
- 场景 2: 开发统一语义层
- - 设计 Ontology 的存储结构和查询接口
- - 实现 Ontology 到物理数据源的映射引擎
- - 开发联邦查询引擎,支持跨数据源的统一查询
- - 实现 Ontology 的版本管理和影响分析
- 场景 3: 优化知识图谱查询性能
- - 分析供应链知识图谱的查询瓶颈
- - 设计图索引和缓存策略
- - 优化 Cypher 查询语句
- - 实现查询结果的分页和流式返回
- NIO Skyworks 2027届实习生招聘JD
岗位描述
关于 NIO Skyworks
NIO Skyworks 是蔚来汽车的企业 AI 平台,致力于构建从基础能力到终端应用的完整 AI 技术栈。我们的产品矩阵包括:
- - ModelSight: MaaS 模型平台,支持多模型接入和推理优化DataSight: OneLake 大数据平台,包含 Agentic BI 和语义层
- - KnowledgeSight: 统一知识平台,整合 Ontology、知识图谱、向量检索
- - AgentSight: Agent 搭建平台,支持零/低/高代码开发
- - AgentsMarket/SkillHub/McpHub: 企业能力市场化生态
- - NIOChat/NIOClaw: 企业级 Super Agent 应用我们目标是成为企业 AI 操作系统,让每个员工都拥有 AI 超能力。岗位职责
- 1. 核心平台开发 (50%)
- - 参与 AgentSight、KnowledgeSight、DataSight、ModelSight 等核心产品的后端开发
- - 开发 Agent 编排引擎,支持零/低/高代码的 Agent 搭建
- - 开发 Ontology 建模工具和统一语义层,实现知识和数据的融合
- - 开发联邦查询引擎,支持跨数据源(结构化数据、知识图谱、向量库)的统一查询
- - 参与 AgentsMarket/SkillHub 的开发,构建企业能力市场化生态
- 2. 系统架构与优化 (25%)
- - 参与微服务架构设计,保证系统的高可用和高性能
- - 优化大规模知识图谱的查询性能(支持 2300+节点,45000+边)
- - 开发分布式任务调度系统,支持 Agent 的并发执行
- - 参与系统监控和可观测性建设(Langfuse 集成)
- 3. 技术创新与研究 (15%)
- - 跟踪 AI Agent、知识图谱、语义层等前沿技术
- - 参与技术预研,探索新技术在 Skyworks 中的应用
- - 参与开源社区,贡献代码和最佳实践
- 4. 协作与文档 (10%)
- - 与产品、算法、前端团队协作,推动功能落地
- - 编写技术文档和 API 文档
- - 参与 Code Review,保证代码质量
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。