北京售服工程师
售服工程师是指在技术支持和客户服务方面具有专业知识和技能的工程师。他们负责解决客户在使用产品或服务过程中遇到的技术问题，并为客户提供及时、高效的支持。售服工程师通常需要具备良好的沟通能力和耐心，能够清晰地解释复杂的技术问题并协助客户解决。他们还需要熟悉公司的产品和服务，能够根据客户需求推荐适当的解决方案。此外，售服工程师还可能负责培训客户如何正确使用产品和服务，以及收集客户反馈并向相关部门提出改进建议。综合而言，售服工程师在提供技术支持和客户服务方面扮演着重要的角色，对于保持客户满意度和促进产品销售具有重要意义。
薪酬概览
平均月薪
¥11400
中位数 ¥9000 ｜ 区间 ¥8900 - ¥13900
数据来源：谈职全网26份招聘数据；更新时间：2026年7月13日
月薪分布
42.3% 人群薪酬落在 0-8k
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
17
对比上月：岗位减少14
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 | 8 | 53.3% |
| 1-3年 | 5 | 33.3% |
| 5-10年 | 2 | 13.3% |
热招职位
（1）水处理、环境工程、应用化学、给排水等相关专业本科以上学历；
（2）能完成环保或循环水项目的需求调查及方案编写，对项目进行现场技术指导；
（3）能协助商务人员进行环保或循环水项目的技术交流与谈判；
（4）熟悉循环水处理流程、污水处理工艺、给水处理工艺等环保工程相关工艺；
（5）可独立完成循环水处理、污水处理、给水处理工艺等环保工程相关工艺并编制技术文件及工程投标文件等。
1. 为客户导入和开发玄铁RISC-V IP和技术设计赢取胜利机会；
2. 负责RISC-V CPU IP产品的技术宣讲，对玄铁产品、服务和友商保持高标准的技术知识；
3. 积极拓展客户，保持对领域的动向和客情变化的敏感度；
4. 与Sales团队合作，提供技术知识和支撑，与潜在客户建立和维护良好的客户关系，介绍和推动玄铁RISC-V IP的design in；
5. 与技术工程团队合作，确保客户需求和产品的匹配度，确保客户项目的顺利落地。
1、负责远程及现场技术支持，涵盖售前与售后全流程；
2、执行混合储能逆变器及电池储能系统(BESS)的调试、故障排查、固件/硬件升级；
3、向总部提交产品故障报告并持续跟进，需包含清晰的问题描述；
4、定期分析混合储能系统运行数据，评估设备性能；
5、主动对接安装商与经销商，提供良好的客户服务体验；
6、建立技术问题长效跟踪机制，维护与合作伙伴的良好关系。
1、迅速响应客户需求，为海外客户提供技术支持服务，维护客户满意度；
2、通过现场、邮件，电话等方式协助销售同事和客户处理售后相关问题；
3、管理处理常规客户工单以及质量问题，主导处理重大质量问题和客诉，管理客户对服务的满意度；
4、监督并反馈当地一级团队和服务商的服务表现；
5、负责开发关键市场的当地服务网络，即服务商的引入、包括评估、谈判、合同评审等；
6、主导组织内部经验积累，定期组织内部赋能培训，提升团队整理能力。
1、客户需求对接与方案制定：精准把握海外客户对于户用储能系统的需求，提供定制化的产品解决方案，涵盖系统配置、容量规划等，助力客户实现能源管理目标。
2、技术沟通与答疑：与海外客户开展技术交流，及时且准确地解答客户在产品技术层面的疑问，包括系统原理、性能参数、兼容性等问题，增强客户对产品的信任。
3、市场调研与情报收集：密切关注海外户储市场动态，收集政策法规、竞争对手产品信息等，为公司产品优化与市场策略制定提供依据。
4、项目支持与跟进：协同销售团队，参与海外项目前期技术评估，跟进项目进展，保障从方案设计到交付环节的技术可行性与连贯性。
【课题说明】研发针适配美团业务的下一代生成式推荐系统，探索具有Scale Up属性的生成式建模方案，通过端到端的方式对用户行为进行深度建模和挖掘，全方位建模用户兴趣，提升推荐的准确性和实时性，并通过工程和算法的协同设计来显著提升整个链路的MFU水平，提高推荐系统的效果上限，实现更高的用户满意度和业务价值。【建议研究方向】1.参与设计和实现下一代生成式推荐系统，涵盖生成式召回、生成式预估、生成式排序等核心模块，并在美团多个业务场景落地。
2.构建基于多模态表征Tokenizer、类Transformer架构和优化损失函数的序列生成模型，从数据流、特征工程和高效计算等维度参与生成式推荐系统的全栈优化与生态搭建。
3.探索模型参数和计算量的Scale Up，设计高效且具有强外推属性的模型范式结构，提高系统MFU水平，打开模型效果天花板。
4.在生成式推荐的基础上，重新定义用户兴趣提取，生成式召回/预估、推荐归因等模块，包括但不限于Long-Context，Token compression等技术。
5.搭建基于强化学习的算法工程训练，包含模型训练，业务指标Reward，多样性，序列评估等多项工作。
1.理解客户需求，包括智能驾驶ADAS/AD域控制器的电子、结构、算法功能和性能指标、系统软件，硬件等需求，依据客户的招投标要求，准备相关的技术资料，参与应标与相关的答辩；
2.协助业务经理，与客户沟通并协调内部技术资源，分析客户需求，进行技术可行性评估，讨论产品性能的技术规格，并形成需求分析文档；
3.依据产品的标准功能以及客户定制化的需求，制定和开发系统解决方案并主导技术交付；
4.理解AI芯片应用原理和硬件参考设计方案，掌握公司智能驾驶ADAS/AD域控制器系统架构，协助客户进行系统方案设计和开发；
5.理解智能驾驶算法基于原理和开发过程，推动公司只能驾驶算法解决方案在客户量产落地；
6.了解公司各产品线产品Roadmap，定期汇总客户需求分析文档，协助产品市场完善产品推广方案，文档及相关资料的制作；
7.识别项目交付过程中各种技术风险，对内做好风险升级并推动产研解决相关问题，对外控制客户预期，确保客户满意度；
● 计算机、数学、人工智能、电子信息、通信等相关专业或同等基础知识储备，硕士及以上学历；
● 具备优秀的分析和解决问题的能力，良好的沟通协作能力；
● 熟悉常用的机器学习算法，对算法原理及预估模型的应用有较深入的理解，具备较好的工程实现能力，精通C/C++、Java、Python等其中至少一门编程语言；
● 有数据挖掘、机器学习、强化学习、信息检索、自然语言理解、推荐系统、计算广告学及算法博弈论相关领域研究和实践经验，在相关领域的国际会议(SIGKDD、SIGIR、WSDM、WWW、RecSys、ICML、NIPS、AAAI、CIKM、ACL等)或者期刊上发表过论文者更佳；
● 参加过ICPC/CCPC等算法竞赛并取得优秀名次者更佳。
1. 负责美团无人机硬件嵌入式系统的全生命周期管理，包括设计、开发、交付与维护，确保系统安全可靠、高性能、易维护以及可观测；
2. 热爱嵌入式领域，紧跟全球嵌入式领域前沿技术与工程实践，注重架构设计。凭借优秀架构能力和品味赋能极度高效的工程开发以及高质量的交付。关注新型MCU/SoC、嵌入式CI/CD、仿真测试框架，安全加固等技术，推动应用落地；
3. 从架构上实现可规模化的数据驱动的工程方法，对于产品监测以及工程迭代提供客观科学的指引，并将数据驱动的意识落实到工程的细节实践中；
4. 制定嵌入式系统技术方向，负责芯片选型与架构设计，推动实践落地，通过代码审查（C/C++、Rust）、文档规范和试设计提升工程质量；
5. 制定MTUAV操作系统/平台技术路线图，统筹工程优先级规划、scoping、planning及交付成果管理；
6. 对于嵌入式工作端到端负责，并主动高效的进行跨团队的沟通协同，将模糊的产品问题收敛为明确的需求，并转化为可执行的工程语言和计划，统筹项目优先级与交付成果管理；
7. 发挥嵌入式领域技术影响力，与硬件、Linux平台及云端团队紧密协作，确保软硬件集成与产品功能一致性；
8. 熟练使用AI工具，融入开发设计流程，探索提升团队效率的方法，输出可复用的实践案例；
9. 指导培养初级工程师，在设计实现、代码审查、测试验证、部署维护全流程中展现优秀的工程能力与技术领导力。
1. 负责 充电宝 相关产品的全栈研发工作，覆盖前端、服务端及部分工具链建设；
2. 快速完成 AI 产品 Demo、原型、内部工具和核心功能迭代；
3. 与产品、设计、算法团队紧密协作，把模型能力转化为真实可用的产品体验；
4. 参与工程架构设计，持续提升研发效率和产品质量。
我们在探索通过数据优化及大规模RL的方式，持续提升模型的核心基础能力和复杂生产力场景解决困难问题的能力。让模型具备深度思考与可靠行动的特性，推动模型在真实复杂任务中实现从“会说”到“会做”的跨越。团队在以下方向上进行探索，若你对以下一个或者多个课题感兴趣均欢迎投递：1）大模型核心基础能力优化1.围绕指令遵循、幻觉缓解、复杂推理、智能体规划等关键能力，研究并开发高效的后训练与对齐方案。
2.深入分析模型行为，通过数据策略、奖励建模、训练范式创新等，系统性提升模型的可靠性与实用性。
2）大规模强化学习与多目标RL训练1.研究大规模强化学习（RL）及多目标强化学习的训练方案，突破RL在超大模型上的训练稳定性与扩展性问题。
2.构建可长期演进、稳定高效的RL Scaling训练管线，从算法、系统、数据等多维度推动模型能力持续提升。
3）长周期场景下的复杂推理与工具调用1.聚焦Long Horizon任务中的多步推理、工具使用与自主智能体能力，设计并实现前沿优化方案。
2.探索包括高质量数据合成、长上下文管理、长上下文强化学习、过程监督、搜索与规划结合等关键技术，提升模型在复杂真实场景下的表现。
【为什么是我们】1.团队扁平，人才密度高，近年团队在ICLR、NeurIPS、ICML、ACL等顶会累计发表论文数十篇，团队员工获EMNLP/ACL等Outstanding Paper；
2.参与大语言模型核心技术研发，接触大规模RL、超长上下文、分布式训练和推理优化等前沿技术；
3.充足算力保障，拥有大规模分布式训练环境和丰富数据资源。