后端开发工程师（AI First）Senior Engineer (AI-First Backend）)

该职位来源于猎聘 PURPOSE OF THE JOB(required for supervisory/managerial job): Summarize why this job exists and the contribution it makes to the overall business of the company 这是一个以复杂系统设计与高质量后端交付为核心、并以 AI‑First 作为默认工作方式的高级后端 Java 工程师岗位。该岗位不仅要求具备扎实的 Java 后端开发与系统架构能力，更要求在系统设计、技术方案评审、性能优化和复杂问题分析中，优先设计 AI 参与的工作流程，由工程师聚焦关键判断、风险控制和工程决策。 我们希望你不是“会用 AI 写代码的后端工程师”，而是能够将 AI 作为系统设计与工程决策一部分的 AI‑First 后端工程师。 PRINCIPAL ACCOUNTABILITIES: Describe the major activities of the job, emphasizing the end results which must be achieved (suggest listing from the most important task) 在以下所有后端设计与开发职责中，持续应用 AI‑First 工作方式，在保证系统稳定性、安全性和可维护性的前提下，显著提升交付质量与工程效率。 1. 负责公司核心业务系统的后端架构设计与开发，基于 Java 技术栈构建高可用、高性能、可扩展的系统 2. 在复杂业务和高并发场景下，主导关键模块设计，推动系统在性能、稳定性、可维护性方面持续演进 3. 以 AI 为生产力工具（AI‑First），将 AI 深度融入系统设计方案生成、代码实现、重构、问题分析和技术评审过程，重构个人和团队的研发方式 4. 深度使用 Cursor、GitHub Copilot 等 AI 编程工具，形成可复用的方法论，沉淀 AI+后端工程的实践方法、模板或实践 5. 参与系统架构演进、技术选型和工程规范制定 6. 与产品、前端、数据、测试等角色高效协作，确保复杂需求高质量交付 INTERNAL & EXTERNAL RELATIONSHIP: Briefly describe the internal and external contacts with whom this position interacts and the frequency of such interaction − Internal:

• Other Tech teams
• Product Teams
• Data Operations
• Other stakeholders whenever necessary − External:
• Vendor 职位要求： EXPERIENCE, KNOWLEDGE, SKILLS, ABILITIES:

List the experience, knowledge, skills and abilities necessary to do the job in a fully competent manner – 后端与架构能力 − 5年及以上 Java 后端开发经验，本科及以上学历 − 精通 Spring / Spring Boot / Spring Cloud − 熟悉分布式系统设计与治理 – 架构与工程能力 − 能独立承担核心模块或系统的设计与落地 − 对系统性能、稳定性、安全性和可维护性有系统性认知 − 能在复杂问题中进行定位、分析和工程级解决 – AI‑First 工程能力 − 将 AI 作为日常开发的默认工具 − 熟练使用 Cursor、GitHub Copilot 等工具 − 具备 Prompt 设计和工程化使用能力 − 具备Agent设计和开发能力 − 能评估 AI 生成代码或架构建议的工程风险、性能影响和可维护性 − 清楚 哪些工作可以交给 AI，哪些必须由工程师判断和兜底 – 加分项 − 有 AI‑First 编程实践沉淀 − 有复杂系统或数据平台开发设计经验 MAJOR PROBLEMS / CHALLENGES (required for supervisory/managerial job): Describe 2 or 3 of the most difficult challenges or problems typically encountered in this job – 在复杂系统和高并发场景下，判断 AI 提供的设计或优化建议是否可行、可靠

– 在系统稳定性、安全性与 AI 提效之间做工程取舍

– 在复杂问题分析中，合理使用 AI 缩小问题空间，而非引入新的不确定性

– 持续调整“人 vs AI”在系统设计、编码和决策中的分工边界