北京研发经理
研发经理是公司内负责管理和领导研发团队的管理人员。研发经理负责制定和执行研发项目的计划，监督团队成员的工作，并与其他部门进行沟通协调，确保项目按时完成并达到预期目标。他们需要具有深厚的技术背景和丰富的项目管理经验，能够指导团队进行创新研究和开发新产品。研发经理还需要与市场部门紧密合作，了解市场需求，并将其转化为具体的研发计划。另外，他们还需要关注行业发展趋势，不断进行技术创新，确保公司产品的竞争力和领先地位。总之，研发经理在公司中扮演着至关重要的角色，直接影响着公司的创新能力和竞争优势。
薪酬概览
平均月薪
¥23600
中位数 ¥22500 ｜ 区间 ¥18000 - ¥29200
数据来源：谈职全网53份招聘数据；更新时间：2026年7月13日
月薪分布
60.4% 人群薪酬落在 15-30k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
6月新增岗位
53
对比上月：岗位减少9
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 应届 | 2 | 4.1% |
| 1-3年 | 5 | 10.2% |
| 3-5年 | 17 | 34.7% |
| 5-10年 | 20 | 40.8% |
| 不限经验 | 5 | 10.2% |
热招职位
1、国际市场洞察
对区域目标市场的多个重点市场要素开展调研，收集行业发展趋势、行业准入法律法规或技术要求，做好市场需求规划，持续优化竞争策略，产品策略和投标策略。
2、项目投标与技术支撑
主导项目技术投标工作，了解并参与规划重点客户的关系维护和引导策略，负责向重点客户做新产品、新技术或重点项目方案的推介，提升客户对公司产品技术或项目方案的认可度和中标率。
3、合同谈判与技术交付
牵头中标项目合同技术转化、产前技术方案审定、技术交底与风险管控，统一技术口径与交付标准；在交付阶段协同项目经理完成技术难题处理，以及关键技术方案的端到端闭环管理。
4、技术中台体系建设
搭建总部级技术中台管理体系，推动AI技术在技术管理方面的落地和应用，统筹国际解决方案全流程技术文件、标准、流程与工具建设，构建分级项目技术管理体系，实现技术能力标准化、平台化。沉淀可复用的方案库、素材库、风险库，形成客户技术引导方法论，支撑国际业务规模化扩张。
你将有机会和业界一流的芯片团队一起进行倚天系列CPU的架构定义与开发，通过产品的持续迭代交付，成长为芯片架构师。岗位职责将包括以下一个或多个领域：
1. 分析Agentic AI、云服务器等业务场景，结合业务需求，推演和制定CPU处理器的架构特性与规格；
2. 分析ARMv9指令集架构特性与ARM服务器生态兼容需求，协同应用软件、OS及编译器等，定义每代产品CPU处理器的架构特性规格；
3. 研究业界CPU产品的新技术与新架构，进行软硬件协同设计，打造差异化产品竞争力；
4. 基于仿真模型进行架构特性规格方案的制定与评估，给出竞争力最优解；
1.负责RISC-V AI开源生态的规划与建设，推动RISC-V国际社区生态建设，联合国内共建RISC-V AI开源生态。
2.参与制定RISC-V Matrix扩展标准，推动其在行业中的落地与应用。
3.参与RISC-V Matrix加速引擎的架构建模与参考设计实现。
4.参与定义与优化RISC-V AI底层算子库，提升计算效率与易用性。
1. 负责分析和设计数据中心SoC的芯片软件架构，参与产品需求分析并定义关键技术栈的软硬件结合特性，助力芯片架构迭代设计
2. 深入理解客户和业务需求，设计实现各类系统优化方法，提升SoC芯片的端到端应用表现和竞争力水平，形成创新的应用最佳实践
3. 与芯片研发团队协作，通过仿真、原型等方法在芯片设计早期发现芯片设计问题、验证芯片在各种用户场景下的表现
4. 参与芯片生命期维护工作，解决芯片在应用中出现的各类问题
1. 规划和定义面向AI领域的CPU，并推动技术方案落地
2. 参与制定面向领域的CPU架构、微架构方案的定义
3. 制定CPU IP的Roadmap
4. 负责业界AI领域和具身智能领域技术方案跟踪和梳理
1、负责地平线AI工具链完整架构设计和规划，设计出符合需求的系统架构和系统总体方案，并跟踪支持产品研发过程对需求的实现。项目关键核心技术可行性评估，配合完善产品定义
2、关注AI工具链长期的技术竞争力，并且能够从模型部署、模型压缩等角度思考，为地平线下一代芯片的设计提供分析支持与指引
3、负责模型量化压缩工具的研发工作，对AI模型部署，模型压缩，模型量化等技术进行中长期规划，保障AI芯片工具链在模型量化、模型压缩领域的技术竞争力
4、承担模型量化工具的系统与架构设计工作，对自动驾驶模型部署过程中的系统问题进行分析与拆解
1、负责高级别自动驾驶系统产品场景的功能需求和技术规范定义，细化功能场景
2、负责规控功能需求分析及分解，负责与感知、人机交互、底盘等跨领域需求及交互接口
3、负责规控功能架构定义，落实方案并识别技术风险，确保系统设计的合理性和可行性
4、针对量产项目及车型匹配，识别重点需求与问题，制定相关解决方案与措施
5、跨团队、跨部门沟通合作解决产品关键问题
负责Robotaxi自动驾驶系统的整体架构设计，构建面向规模化运营的车端 + 云端 + 运营平台 + 运维体系的技术架构，支撑Robotaxi车队安全、稳定和高效运营
岗位职责：
1、负责Robotaxi系统整体技术架构设计，包括车端自动驾驶系统、云端平台和运营系统，包括需求定义及拆解、架构设计及优化，推进方案设计的落地实现并确保按质交付
2、负责Robotaxi云端平台架构的设计，包括车队管理、远程监控、远程协助系统、调度系统以及对车辆状态、订单和异常的管理机制
3、负责Robotaxi车队规模化运营的运维架构，包括系统级的监控、告警和异常处理等
4、结合Robotaxi业务发展阶段，规划系统架构演进路线，持续优化系统性能、稳定性和运营效率，支撑车队规模化运营
1.负责财务相关业务与审批流程的前端技术设计、开发和对应的技术文档编制，负责前端技术选型和开发工作。
2.优化前端功能设计，解决各种浏览器和终端设备的兼容性问题，通过技术手段提升用户体验并满足高性能要求。
3.通用组件、类库编写，提升开发效率和质量，与后端工程师、产品经理、UE设计师等团队角色沟通，高质高效完成业务开发。
4.负责企业级财务数据产品的前端研发工作，覆盖财务数据分析等核心业务系统，逐步承接统建系统内部定开、统建系统与下级单位自建系统、与外部监管系统等集成对接等二次开发工作。
5.跟踪前端前沿技术趋势，持续优化技术方案与代码质量。
1、负责创新型原型机硬件总体设计开发，负责产品硬件竞争力分析，具备技术创新能力，能够敏锐洞察行业发展趋势，参与行业最先进的技术发展交流，有从理论到产品化能力，引领硬件设计方案的逐步演进；
2、端到端的硬件产品模块设计交付，如满足性能功耗约束下，实现高速信号完整性，电源信号完整性，硬件模拟&数字电路设计、充电、sensor、显示、Camera模块、外购件选型和产品化设计等；
3、负责硬件器件选型、原理图设计到SDV测试的完整研发过程，满足功能、性能、功耗、成本、质量等多维度需求的研发设计。
1、负责高级别自动驾驶系统产品泛泊车场景的功能需求和技术规范定义，细化功能场景
2、负责泊车规控功能需求分析及分解，负责与感知、人机交互、底盘等跨领域需求及交互接口
3、负责泊车规控功能架构定义，落实方案并识别技术风险，确保系统设计的合理性和可行性
4、针对泊车量产项目及车型匹配，识别重点需求与问题，制定相关解决方案与措施
5、跨团队、跨部门沟通合作解决产品关键问题
【愿景】美团龙猫基座大模型，不只聪明，更懂生活。从语言理解到全模态感知，从架构创新到极致推理，从海量预训练到亿级真实订单 —— 我们造的不仅是实验室里的“优等生”，更是活在大街小巷、三餐四季里的AI。 而我们想做的远不止于此 —— 让模型自己提出假设、训练自己、不断进化； 让一群智能体像团队一样分工协作、攻克复杂问题； 让 AI 走出屏幕，理解物理世界、走进真实场景。 这是我们正在冲刺的方向，也是你可以参与定义的未来。 加入我们，一起把智能带进真实物理世界，亲手打造下一代 AGI！【团队介绍】基座大模型AI Infra团队，以支撑前沿基础模型持续演进为目标，面向大模型研发与生产全链路，构建高性能、高稳定性、可持续扩展的AI基础设施体系。围绕高效率实验平台、大规模训练生产能力，以及模型结构与芯片架构协同优化， 沉淀软硬一体、训推贯通的关键基础能力，提升模型迭代效率、训练资源利用率与系统上限。【你将负责】负责面向 Agentic AI 场景的沙盒基础设施平台建设，构建百万级别异构环境，支撑后训练、评测、数据合成、在线执行等场景下的多样环境沙盒需求。
1.设计并实现统一的执行抽象层，支持 Function Call / Container / microVM / fullVM 等多种执行基座，并提供一致的接口与调度能力。
2.负责沙盒集群的控制面与数据面架构设计，包括 API Gateway、Host Agent、Cluster Monitor 等核心组件的研发与演进。
3.优化千万级沙盒环境镜像的分发、加载与启动链路，建设分层镜像、按需加载、本地缓存、只读层共享等能力，提升冷启动性能与资源利用率。
4.面向超大规模并发场景，持续推进密度优化与成本优化，包括页缓存复用、内存回收、运行时争用治理、超卖与隔离平衡等方向。
5.建设面向 Agent 执行过程的轨迹日志、状态追踪、故障恢复与可回放机制，提升系统的稳定性、可观测性与可审计性。
6.与模型、训练、评测、推理、平台等团队协作，推动 AI Agent 运行时基础设施在实际业务中的落地。