Ai算法应用工程师

1、LangChain与LangGraph开发
熟练掌握 LangChain 构建模块化LLM应用链，支持多模型协作。
精通 LangGraph 的图结构工作流设计（节点、边、循环分支），实现状态持久化、中断恢复和多轮对话管理。
熟悉LangGraph Studio等调试工具，支持可视化工作流开发和实时状态追踪。
熟悉多智能体协作架构（分层、监督式），支持任务分配与结果融合。
熟悉多模态模型（如图文生成）或AIGC应用
2、向量数据库与检索增强（RAG）
熟练使用 Milvus 或类似向量数据库（如Faiss、Chroma），实现高效语义检索和混合查询（向量+标量）。
掌握数据预处理技术：文档加载（PDF、HTML）、文本分块（RecursiveCharacterTextSplitter）、向量化（如DashScope、OpenAI Embeddings）。
优化RAG系统以减少幻觉问题，结合自校正（Self-RAG）和动态路由（Adaptive RAG）技术提升答案准确性。
3、模型微调与训练
熟悉大模型（如LlamaFactory、线上阿里云模型微调）的全参数微调与参数高效微调，最好熟悉图形微调训练。
掌握使用LangSmith收集LLM运行数据，转换为微调训练集，并通过OpenAI、阿里百炼等平台完成模型迭代。
理解微调与RAG的协同作用：微调提升基础能力，RAG补充实时知识。
4、提示词工程与评估
设计高质量提示模板，支持多任务指令（如摘要、翻译、代码生成），通过多样化指令提升模型泛化能力。
使用评估指标（如ROUGE、BLEU）量化模型输出质量，结合人工反馈优化提示策略。
5、工具链与部署
熟悉 Streamlit 快速构建LLM应用前端，实现交互式演示和结果可视化。
6、集成工具链：搜索API（Tavily）、代码执行（Python REPL）、缓存（GPTCache）提升应用性能、自定义工具