薪酬概览
平均月薪
¥23000
中位数 ¥22000 ｜ 区间 ¥17800 - ¥28200
数据来源：谈职全网18份招聘数据；更新时间：2026年7月13日
月薪分布
61.1% 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
20
对比上月：岗位新增10
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 | 5 | 29.4% |
| 1-3年 | 2 | 11.8% |
| 3-5年 | 5 | 29.4% |
| 5-10年 | 5 | 29.4% |
热招职位
1. 负责Android客户端核心业务和平台相关架构、设计、优化;
2. 负责基础库、框架、关键模块的技术选型、开发和改进;
3. 对新技术进行调研，将新技术分享并应用到现有产品开发中，提高客户端的技术能力;
4. 优化Android团队的开发方式和流程、规范，提高团队效率。
任职要求
职位描述：
1.参与公司技术中台通用框架研发工作，支撑多款手游/端游项目的快速迭代；
2.帮助项目组优化游戏，解决项目开发中的各种问题。
任职要求：
1.统招本科及以上学历，计算机科学、软件工程等相关专业；
2.3年以上Unity引擎游戏开发经验；
3.熟悉C#或其他游戏开发相关编程语言，熟练掌握常用数据结构和算法；
4.富有团队意识，善于主动沟通、高效协作。
加分项：
1、具有帧同步游戏开发成功经验，掌握帧同步相关技术方案及经验；
职位描述：
1.参与公司技术中台通用框架研发工作，支撑多款手游/端游项目的快速迭代；
2.帮助项目组优化游戏，解决项目开发中的各种问题。
任职要求：
1.统招本科及以上学历，计算机科学、软件工程等相关专业；
2.3年以上Unity引擎游戏开发经验；
3.熟悉C#或其他游戏开发相关编程语言，熟练掌握常用数据结构和算法；
4.富有团队意识，善于主动沟通、高效协作。
加分项：
1、具有帧同步游戏开发成功经验，掌握帧同步相关技术方案及经验；
1. 全芯片Floorplan规划（Partiton/IO assignment)。
2. 子系统及模块的物理设计，包括物理综合,Floorplan,Place&Route, 优化PPA, 完成Timing/IR/EM/DRC/LVS/ERC收敛。
3. 完成芯片签核(Sign-Off)及交付。
4. 优化后端设计流程和方法。
5. 熟悉Full Chip IR/EM Sign-off 或 Full Chip PV Sign-Off(DRC/LVS/PERC) 是加分项。
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。
你将作为Qoder全家桶产品（Qoder、QoderWork、QoderWake）面向企业客户的技术代言人，在售前阶段独立完成从需求调研到方案交付的全过程。面向客户的产研人员，深入洞察客户在软件研发效率上的真实痛点，并转化为可落地的AI编程解决方案；面向非研发人员，深入洞察客户在办公提效上的真实痛点，面向市场、营销、财务、法务、人事等不同职能岗位，提供场景化的解决方案。此外，能够熟练的使用Qoder全家桶产品进行技术演示和POC场景搭建，赢得客户信任，推动项目签约。
参与玄铁高性能处理器的指令集与编程模型定义和演进，作为市场/产品需求与微架构、软件生态之间的技术枢纽；负责玄铁指令集与编程模型管理平台的建设，并代表玄铁参与RISC-V国际基金会相关规范标准工作。
1. 负责玄铁指令集扩展定义。接收市场、产品与研发的功能与性能诉求，与微架构、编译器、内核、计算库等团队协同，参与制定指令和寄存器编码、语义、异常行为等编程模型，输出正式规范文档并推动内部评审、落地与迭代。
2. 负责玄铁编程模型管理平台建设。保证指令集变更以结构化、机器可读的方式沉淀到平台，驱动下游RTL生成、工具链集成、验证套件构建、规范文档生成与模拟器/参考模型的自动化更新。
3. 代表玄铁参与国际基金会相关规范标准工作。跟进上游标准与相关工作组的演进，把玄铁的技术需求提案化并推动被上游接纳；把上游产出高质量地回流到玄铁内部平台，保持双向对齐。
4. RISC-V生态跟踪与前瞻研究。持续跟踪RISC-V在向量、矩阵、虚拟化、安全、性能监测、机密计算等方向的新扩展动态；结合玄铁产品路线，主动提出新扩展的预研提案。
1. 文本/图文/音频/视频数据清洗、处理流程的工程化算子实现；
2. 构建高效、可扩展的流程编排及执行引擎；
3. 构建基于海量图文数据的搜索引擎，内容检索、多模态检索、RAG及性能&效果优化；
4. 与下游模型平台的对接，相关sdk的设计；
5.构建agent平台，包括single-agent, multi-agent以及ui agent等，以更加智能化的方式支持我们的数据处理和高质量数据的生产；
6. 基于大模型、agent及我们已有的海量数据，在应用端的探索。
岗位职责：
1.使用各类数据挖掘技术及机器学习算法以及大模型等前沿技术，基于海量多模态行为数据，构建完整的用户画像与兴趣建模体系，精准刻画用户行为。
2.结合对业务理解，深入挖掘数据价值，将业务问题转化为可建模的算法问题并推动在业务场景下应用，拿到业务结果。
3.深入思考产品业务价值，参与制定及落实团队在技术、业务等多维度发展方向。
4.深入理解食杂零售餐饮供应链业务逻辑和运营模式，与业务、产品、工程、数据等团队紧密协同，完成从业务问题到算法问题的抽象与定义，设计指标体系，进行算法技术选型和方案设计实现，推动落地应用。
【课题说明】面向 C 端用户的酒旅专业 AI Agent 项目，旨在构建具备需求理解、行程规划、商品推荐与专业问答能力的酒旅智能 Agent，为用户在行前、行中与行后关键决策环节提供可靠的智能支持。该 Agent 面向复杂出游需求与多约束决策场景，打通“咨询—规划—推荐—交易”的一体化酒旅服务链路，提升用户决策效率与酒旅服务转化能力，形成行业领先的智能出游入口。【建议研究方向】1. 酒旅专业 Agent 技术架构设计围绕酒旅场景的复杂任务拆解，构建覆盖需求理解、行程规划、商品推荐与酒旅咨询的专业子 Agent 体系，研究多 Agent 之间的协作机制与任务分工策略，支持用户多轮对话下的动态需求调整与规划演化。
2. 酒旅 Agent 自动化评测体系研究从酒旅专业性与用户体验两个维度，构建多维度评测 Benchmark，覆盖需求理解准确性、规划合理性、推荐匹配度与对话稳定性等核心能力；探索基于规则与模型裁判的 Auto-Eval 方法，提升 Agent 能力评测的效率与一致性。
3. 酒旅 Agent 模型后训练与数据构建探索酒旅领域的合成数据构建方案，快速积累高质量训练数据；结合 SFT、偏好对齐与强化学习等方法，持续提升模型在复杂规划、推荐决策与工具调用等关键任务上的效果与泛化能力。
1.全栈开发。在 AI Coding 工具的协助下能够完成前端、后端功能开发、测试。
2.参与项目需求分析和技术方案设计，确保项目按时高质量交付。
3.与产品经理、设计师等团队成员密切合作，及时关注用户问题，确保项目质量和用户体验。
4.及时解决项目开发中遇到的问题和挑战，保证项目进度顺利推进。
1. 负责无人机系统的整体架构设计与技术方案制定，涵盖结构、动力、能源、任务载荷等核心模块。
2. 主导无人机硬件系统的开发、集成与测试，确保系统稳定性、可靠性及性能指标达标。
3. 协调跨部门资源，推动项目从需求分析到产品落地的全流程实施，保障项目按时交付。
4. 跟踪行业前沿技术，持续优化系统性能，提升产品竞争力与技术创新能力。
5、主动探索并运用各类AI工具优化日常工作流程，积极推动AI在业务场景中的落地实践，持续提升个人及团队的工作效率与产出质量
【北斗实习】大模型应用算法工程师【全球多国的Agentic推荐】
【课题子主题】【搜推】面向全球多国的Agentic推荐【课题说明】随着业务发展，keeta推荐面临多国家不同文化和餐饮环境的挑战，包括：
1. 冷启动问题突出，推荐系统对本地的商家缺少理解，新市场和新用户缺乏交互数据，系统难以推荐符合本地用户偏好、受欢迎的餐厅；
2. 不同国家面临非常多的本地事件，例如中东斋月、巴西狂欢节、极端天气等，传统模型依赖历史行为数据难以及时对不同事件下的需求进行响应。 本课题拟引入 Agent 与多轮强化学习技术，构建具备策略生成、动态调控与反馈优化能力的搜推一体化推荐框架，提升系统在跨文化复杂场景下的响应速度和推荐效果。
【建议研究方向】1. 面向冷启动的语义理解与推荐建模，构建统一的商家与内容语义表征体系，通过世界知识和多模态信息建模，提升系统对不同国家餐饮供给的理解能力，并结合相似用户与商家的迁移泛化，在低数据与新市场场景下提升推荐效果。
2. 基于世界模型的推荐环境建模，构建统一的推荐世界模型，对用户偏好、商家供给及环境因素进行联合建模，学习需求随场景变化的动态规律，并通过用户反馈模拟器支持策略的离线评估与推演，提升系统对复杂环境的建模能力。
3. Agent驱动的推荐决策与强化学习，基于世界模型，将推荐建模为序列决策问题，引入Agent进行动态策略生成，并结合多轮强化学习与在线反馈持续优化排序与流量分配策略，以提升长期推荐效果与跨场景适应能力。