AIDD（医药企业AI agent 开发方向）

AI技术 × 业务场景 × 闭环交付 | 医药行业数字化

工作地点：湖北武汉 有意者请后台私信！！！

POSITION OVERVIEW

负责将公司业务逻辑与前沿 AI 技术深度融合。不同于传统产品经理，你将聚焦于企业专有能力（Skill、MCP、Agent）的建模与开发，确保 AI 应用从 Demo 走向生产线，真正解决业务痛点并实现价值内化。

1岗位职责

产品规划与需求降噪

负责 AI 应用的 POC 及推进落地，从业务频率、技术可行性及 ROI 维度对需求进行优先级排序；抽象业务共性，规划可复用的原子化能力库（专有 Skill 与 MCP），避免重复造轮子。

企业专有能力建模

深入业务场景，将复杂的医药合规、研发分析等逻辑重构成高效的 Multi-Agent 协作体系；定义企业专有 Skill 与 MCP 规范，打通 AI 与内部业务系统（ERP / MES / 研发系统）的交互通路。

闭环交付与项目落地

主导 AI 项目从 POC → MVP → 生产上线的全生命周期管理；设计容错机制与人工反馈闭环，处理 AI 幻觉带来的业务风险，确保产品在真实场景下的可用性。

评测体系与效能调优

构建闭环的 AI 效果评估系统，针对专有 Skill 调用准确率、MCP 召回率及 Agent 推理链进行严苛评测与持续迭代。

前沿技术转化与内化

追踪并验证主流智能体框架、多模态等新技术在医药场景的适用性，将外部高价值分析需求内化为公司自有的 AI 数字资产。

2任职资格

学历专业

• 本科及以上学历，计算机 / 数学 / 信息管理相关专业优先

工作经验

• 3-5 年 B 端 / SaaS 产品经理经验
• 至少主导过 2 个以上非问答类（涉及复杂逻辑编排）的 AI 应用落地全流程

3核心能力（必须掌握）

🤖AI 产品能力

• 理解 RAG / Agent / Multi-Agent 的工作原理和产品化路径
• 能够设计 Prompt 测试框架和效果评估指标
• 熟练掌握 SQL，具备 Python 基础，能利用 Cursor / Antigravity / Qoder 等 AI 编程工具快速构建原型，通过数据分析洞察问题
• 精通 Dify、百炼或同类开发平台，具备设计高复杂度、多分支 Workflow 的实战能力
• 理解 AI 局限性，能设计合理的用户交互以平衡 AI 的概率性输出

📋项目管理

• 熟悉敏捷开发流程，能使用 Jira 等项目管理工具
• 能独立推动跨部门协作，解决资源冲突

💡软性素质

• 同理心强：能站在业务和用户角度思考问题
• 逻辑严密：面对复杂问题能梳理出清晰的解法
• 抗压能力强：能在节奏快、变化多的环境中稳定输出
• 沟通高效：能把技术问题翻译成业务语言

🎯 优先考虑 / 加分项

• 在 LangChain / Dify 等开源社区活跃，有 GitHub 开源项目或个人技术博客（产品方向）
• 能独立使用 Python / FastAPI 编写简易后端逻辑，熟悉 PostgreSQL、Redis、Elasticsearch 等后端技术
• 熟悉生物医药行业数字化痛点
• 能直接研读最新的 AI 技术论文或官方英文文档

结语：抓住大模型时代的职业机遇

AI大模型的发展不是“替代人类”，而是“重塑职业价值”——它淘汰的是重复性、低附加值的工作，却催生了更多需要“技术+业务”交叉能力的高端岗位。对于求职者而言，想要在这波浪潮中立足，不仅需要掌握Python、TensorFlow/PyTorch等技术工具，更要深入理解目标行业的业务逻辑（如金融的风险控制、医疗的临床需求），成为“懂技术、懂业务”的复合型人才。

无论是技术研发岗（如算法工程师、研究员），还是业务落地岗（如产品经理、应用工程师），大模型都为不同背景的职场人提供了广阔的发展空间。只要保持学习热情，紧跟技术趋势，就能在AI大模型时代找到属于自己的职业新蓝海。

最近两年大模型发展很迅速，在理论研究方面得到很大的拓展，基础模型的能力也取得重大突破，大模型现在正在积极探索落地的方向，如果与各行各业结合起来是未来落地的一个重大研究方向

大模型应用工程师年包50w+属于中等水平，如果想要入门大模型，那现在正是最佳时机

2025年Agent的元年，2026年将会百花齐放，相应的应用将覆盖文本，视频，语音，图像等全模态

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

给大家推荐一个大模型应用学习路线

这个学习路线的具体内容如下：

第一节：提示词工程

提示词是用于与AI模型沟通交流的，这一部分主要介绍基本概念和相应的实践，高级的提示词工程来实现模型最佳效果，以现实案例为基础进行案例讲解，在企业中除了微调之外，最喜欢的就是用提示词工程技术来实现模型性能的提升

第二节：检索增强生成（RAG）

可能大家经常会看见RAG这个名词，这个就是将向量数据库与大模型结合的技术，通过外部知识来增强改进提升大模型的回答结果，这一部分主要介绍RAG架构与组件，从零开始搭建RAG系统，生成部署RAG，性能优化等

第三节：微调

预训练之后的模型想要在具体任务上进行适配，那就需要通过微调来提升模型的性能，能满足定制化的需求，这一部分主要介绍微调的基础，模型适配技术，最佳实践的案例，以及资源优化等内容

第四节：模型部署

想要把预训练或者微调之后的模型应用于生产实践，那就需要部署，模型部署分为云端部署和本地部署，部署的过程中需要考虑硬件支持，服务器性能，以及对性能进行优化，使用过程中的监控维护等

第五节：人工智能系统和项目

这一部分主要介绍自主人工智能系统，包括代理框架，决策框架，多智能体系统，以及实际应用，然后通过实践项目应用前面学习到的知识，包括端到端的实现，行业相关情景等

学完上面的大模型应用技术，就可以去做一些开源的项目，大模型领域现在非常注重项目的落地，后续可以学习一些Agent框架等内容

上面的资料做了一些整理，有需要的同学可以下方添加二维码获取（仅供学习使用）