Basemark 是一家芬兰汽车科技公司，专注于汽车增强现实 AR、高级可视化和高性能图形技术。公司开发 Rocksolid AR/HMI 软件平台，帮助汽车制造商打造下一代车内交互体验，包括 AR 导航、抬头显示和高级驾驶辅助系统可视化。
Basemark 与全球汽车制造商、一级供应商和芯片公司合作，将量产级 AR 和可视化技术应用到现代汽车中。它的目标是通过软件定义座舱，让驾驶更安全、更智能、更直观。
Senior Applied AI Engineer — Agentic Systems
高级应用 AI 工程师 — 智能体系统
We’re building production AI agent systems that handle complex, multi-step, end-to-end engineering workflows. As a part of this role, you’ll design, build & operate agentic AI systems that accelerate product development, running autonomously against real backlogs & codebases.
我们正在构建可用于生产环境的 AI 智能体系统，用来处理复杂、多步骤、端到端的工程工作流。作为该职位的一部分，你将设计、构建并运营 agentic AI systems / 智能体式 AI 系统，以加速产品开发，并让这些系统能够针对真实的待办事项列表和代码库自主运行。
What you’ll do
你将负责的工作
- Design multi-agent architectures that decompose ambiguous tasks, gather missing context, plan, execute, and self-verify
设计多智能体架构，使其能够分解模糊任务、收集缺失上下文、制定计划、执行任务，并进行自我验证。 - Integrate agents with full SDLC: ticketing, version control, CI/CD, code review tooling
将智能体集成到完整的软件开发生命周期中，包括任务票据系统、版本控制、CI/CD、代码审查工具。 - Build eval harnesses, traces & dashboards to understand & optimize agent performance
构建评估框架、运行轨迹记录和仪表盘，用于理解和优化智能体性能。 - Define human-in-loop boundary: what agents do alone, what to escalate, what to hand back
定义 human-in-loop / 人类参与的边界：哪些事情由智能体独立完成，哪些需要升级给人类，哪些需要交还给人类处理。 - Optimize for cost, latency, and reliability at production scale
在生产规模下优化成本、延迟和可靠性。 - Partner with Product, Engineering & DevOps teams to ship safely
与产品、工程和 DevOps 团队合作，安全地交付产品。
Requirements
任职要求
Software engineering — strong
软件工程能力 — 强
- 5+ years shipping any production software; you’ve owned services, not just notebooks
拥有 5 年以上交付生产级软件的经验；你负责过真实服务，而不仅仅是写过 notebook / 实验性代码。 - Fluent in Python, and at least one statically typed language — C++, Rust, TypeScript etc.
熟练掌握 Python，并至少熟悉一种静态类型语言，例如 C++、Rust、TypeScript 等。 - Deep working knowledge of Git workflows, GitHub / Azure DevOps Pipelines, code review practices, and testing pyramid
深入掌握 Git 工作流、GitHub / Azure DevOps Pipelines、代码审查实践，以及 testing pyramid / 测试金字塔。 - Ability to read & modify unfamiliar codebases, tooling, infra-as-code & build systems
具备阅读和修改陌生代码库、工具链、基础设施即代码以及构建系统的能力。
LLM and Agentic systems
大语言模型与智能体系统
- Hands-on experience building with production agent framework — Claude Agent SDK, LangGraph, OpenAI Agents SDK, AutoGen, CrewAI, or equivalent
具备使用生产级智能体框架进行实际构建的经验，例如 Claude Agent SDK、LangGraph、OpenAI Agents SDK、AutoGen、CrewAI 或同类框架。 - Solid grasp of tool use / function calling, structured outputs, and modern agent planning and orchestration patterns
扎实理解工具使用 / 函数调用、结构化输出，以及现代智能体规划和编排模式。 - Excellent understanding of Context engineering & prompt engineering techniques
非常理解 context engineering / 上下文工程和 prompt engineering / 提示词工程技术。 - Built evals for non-deterministic systems and run them as regression suites in CI
为非确定性系统构建过评估体系，并将其作为回归测试套件在 CI 中运行。 - Comfortable with tracing observability tooling for LLM systems; you treat agent runs as debuggable artifacts
熟悉用于 LLM 系统的 tracing / 追踪和 observability / 可观测性工具；你会把智能体运行过程视为可调试的工件。 - You can measure & reduce hallucinations, tool-use failures, and silent regressions
你能够衡量并减少幻觉、工具调用失败，以及 silent regressions / 静默回归问题。 - You can design & ship long-running asynchronous systems with human-in-loop approvals
你能够设计并交付长期运行的异步系统，并支持 human-in-loop / 人类参与审批机制。
Nice to have
加分项
- Experience with RAG architectures, fine-tuning, or hybrid retrieval pipelines
具备 RAG 架构、微调，或混合检索流程方面的经验。 - Background in developer tooling, IDEs, or platform engineering
拥有开发者工具、IDE 或平台工程相关背景。 - Contributions to open-source agent frameworks or evals tooling
曾为开源智能体框架或评估工具做出贡献。 - Familiarity with EU AI Act and enterprise compliance constraints
熟悉《欧盟人工智能法案》以及企业级合规限制。
Leave a Reply