薪酬概览
平均月薪
¥9200
中位数 ¥0 ｜ 区间 ¥7400 - ¥11000
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
60% 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
8月新增岗位
1
对比上月：岗位减少1
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 | 1 | 100% |
热招职位
1、负责Web应用的系统开发、架构优化和演进；
2、编写和维护高质量的代码、确保代码易于理解、可维护和可扩展；
3、承担重点、难点的技术攻坚。
1. 负责软件开发工作，包括需求分析、系统设计、编码、单元测试、系统集成和服务部署等环节。
2. 参与项目需求评审和技术方案讨论，明确项目开发进度和质量;根据业务需求，进行软件开发工作，编码高质量的Python代码。
3. 负责系统性能优化和代码重构，提高系统的稳定性和可维护性。
4. 参与代码审查，确保代码质量和规范符合团队标准。同时 编写技术文档,包括需求文档、设计文档、测试文档、用户手册等。
5. 与团队密切合作，保质保量的完成leader分配的任务，解决项目中的技术难题和需求变更。
1. 根据业务部门需求，完成系统功能设计、开发与测试，确保高质量交付；
2. 参与人力资源系统等核心项目开发，承担关键模块或服务的设计与编码；
3. 负责系统接口设计、数据库建模与性能优化，持续提升系统稳定性与可维护性；
4. 编写开发文档与技术规范，推动团队技术沉淀与标准化建设；
5. 支持前后端协同开发，配合完成中台系统、表单流程的快速构建；
6. 关注主流技术方向，参与微服务架构、DevOps、AI项目等智能化改造工作；
7. 必要时承担项目指导或评审角色，提升团队整体开发效能。
8. 部门内其他工作。
1、负责大模型训练平台的结构设计、核心模块开发与性能优化，支持大规模分布式训练任务；
2、参与数据集的构建、清洗、预处理以及高效存储方案设计，确保数据质量与训练效率；
3、实现模型微调全流程工具链使用，包括参数配置、训练策略优化及资源调度；
4、开发模型验证与评估系统，设计自动化测试框架，确保模型效果符合业务需求；
5、跟踪大模型技术前沿，探索高性能计算、显存优化等关键技术落地。
1、AI智能体设计与开发 负责公司AI智能体（Agent）的设计、开发与运维，搭建自动化业务流程，提升业务运行效率。
2、AI门户建设与运营 主导公司AI应用门户的规划与建设，整合内外部AI能力，打造统一的AI服务入口，持续优化用户体验。
3、垂类模型应用落地 结合制药行业业务场景，探索并落地垂直领域AI模型应用，包括但不限于文档智能、质量分析、工艺优化等方向。
4、数据中台与知识库建设 负责公司数据中台架构设计与建设，推进知识库体系的构建、管理与持续运营，支撑数据资产化与智能化应用。
1.聚焦MST细胞培养相关实验设计、方案优化及落地执行，参与上市后生物大分子药物细胞培养工艺的技术迭代与优化工作，配合开展供应商相关技术对接，推动新技术、新方法在细胞培养环节的探索与应用。
2.通过上游工艺现场排查及研发、生产环节工艺数据分析，挖掘细胞培养工艺提升潜力，协调内外部技术资源，制定工艺优化实验方案并推进实施，助力产品质量与生产效率提升。
3.持续跟踪上游细胞培养工艺领域前沿技术进展，结合公司实际发展需求，开展新技术、新方法的探索与调研，做好技术总结与理念宣贯，提升团队技术认知与应用能力。
4.负责细胞培养相关实验方案、技术报告、工艺总结等资料的撰写与完善，配合完成相关申报资料的编制、整理工作，确保各类资料规范、准确、完整。
1、模型开发与迭代：针对培养基优化、细胞培养参数预测、纯化条件推荐、制剂稳定性预测等场景，设计并实现ML模型；负责数据预处理→特征工程→模型选型与训练→交叉验证→超参数调优的全流程；把算法模型封装为内部可用工具。
2、可复用Pipeline建设：编写可复用的ML Pipeline代码，建立模型版本控制与实验追踪机制；
3、模型可解释性：在工艺科学家配合下进行SHAP/LIME等可解释性分析，确保模型输出对工艺人员可理解；
4、工具链与基础设施：搭建和维护团队模型训练与推理环境；开发面向AI Champion的轻量分析工具（Streamlit/Gradio应用），降低AI使用门槛；
5、跨板块技术支持：为AI Champion提供模型使用培训和技术答疑；协助各板块进行数据分析与可视化的quick win项目，快速建立信任；
6、文档与知识沉淀：编写模型开发文档和使用手册，定期组织内部技术分享，维护团队代码仓库和技术Wiki。
7、负责接口开发、可视化后台、实验数据自动导入、SHAP可解释性模块开发、软件开发。
1、战略规划：制定AI在抗体药物工艺开发领域的3年技术路线图，对齐公司整体CMC战略；
2、团队建设：组建并管理3-5人AI核心团队，制定个人发展计划与绩效目标；在各工艺板块选拔并培养AI Champion，建立"中央组+嵌入式代表"协作机制；
3、技术落地：主导AI用例的优先级评估（可行性×业务价值×数据就绪度），亲自参与关键项目技术方案设计（特征工程路线、模型选型、验证策略），建立模型上线后的效果监控与迭代机制；
4、数据与基础设施治理：牵头制定实验数据采集与存储规范，推动LIMS/ELN数据标准化；评估和选型计算基础设施（GPU工作站/云资源）及软件工具链；
5、跨板块协调：对接各工艺板块负责人（上游/下游/制剂/质量/表征），将业务需求准确转化为可执行的AI项目定义；
6、外部合作：跟踪AI+生物制药前沿进展，评估和管理外部AI供应商及CRO技术方案；
7、预算管理：编制和管理AI团队年度预算（人力、计算资源、软件工具、外部合作）。
8、统筹AI算法团队战略、模型底层架构、算法迭代、专利布局、前沿技术预研、算力规划。
1、负责药物研究院研发信息化需求的调研，对接集团研发信息化项目在药物研究院的落地管理及功能推广；
2、跟踪行业内AI技术的最新发展动态，评估新技术在医药研发中的应用潜力，并推动技术落地；
3、与研发团队紧密合作，深入了解研发需求，负责AI模型的开发与训练，将AI技术融入研发流程，提升研发效率和精准度；
4、开发和维护研发相关的AI软件系统和平台，提供稳定的技术支持；
5、协助研发团队处理和分析海量的研发数据，包括合成化学数据、临床试验数据、药物分析数据等，确保数据的质量和可用性。
1、主导大模型选型、微调策略与训练框架设计
2、搭建模型评测体系，持续优化模型性能与业务适配度
3、优化模型推理性能，实现低成本、高效率的模型部署
4、跟踪前沿技术（如多模态、Agent、RAG），规划技术演进路线
1、需求调研与分析：深入挖掘用户潜在需求，精准提炼业务痛点。能够将复杂的业务需求转化为清晰、可实现的功能需求，输出详细、规范的需求规格说明书
2、解决方案设计与定制：具备优秀的解决方案设计能力，能够结合用户业务场景以及技术发展趋势，设计出创新性的解决方案，确保方案可行性与技术先进性，。
3、对设计方案进行成本效益分析，评估技术可行性、实施周期、实施风险与预期收益，为项目决策提供数据支持。
5、项目协作与推进：协同业务经理、交付开发团队，参与项目全流程，把控项目进度，及时解决技术与流程问题，保障项目按时高质量交付。
6、运维与持续改进：项目上线后，负责系统运维与持续改进工作，用户问题解决、需求分析识别，与软件厂商持续开展持续改进提升工作。
7、组织召开项目会议，协调各方资源，及时沟通项目进展与问题，确保项目信息在团队内有效传递。
8、用户沟通与服务：与用户保持密切沟通，提供解决方案、演示方案效果，解答疑问，收集反馈，提供技术支持、培训，提升用户满意度。基于客户反馈，对解决方案进行优化调整，确保方案持续满足用户需求。
1、数据整合与治理：从各工艺板块收集实验数据（Excel记录、LIMS导出、设备输出文件等），建立统一的清洗和标准化流程；识别和处理数据质量问题（缺失值、异常值、批次效应、命名不一致）；建立并维护结构化的数据集目录，为ML建模提供高质量数据底座；
2、统计分析与可视化：使用统计方法（假设检验、ANOVA、回归分析、方差分量分析）支撑工艺开发和QC数据分析；为各板块制作标准化数据看板（Tableau/Power BI或Streamlit），如批次趋势监控、CQA月度汇总；参与OOS/OOT调查的数据分析支持；
3、AI Champion培训与支持：牵头设计并实施AI Champion基础培训课程（Python入门→数据处理→ML概念）；作为AI Champion的日常技术支持第一联系人，解答数据工具使用问题；编写数据操作的SOP文档和培训材料；
4、探索性分析（EDA）：在ML工程师建模前完成探索性数据分析，识别数据特征和潜在规律；支持快速ad-hoc分析请求（如历史批次某质量属性的波动统计分析）。