大模型应用算法工程师

1. 核心技术选型：结合业务场景、推理性能、成本、适配性等维度，完成基础大模型的落地选型，规划大模型、智能体开发平台的整体架构，统筹框架、组件、工具链的技术选型，搭建可复用、可扩展的智能体底层架构。
2. 制定关键技术方案：深入理解垂直领域复杂业务需求，将模糊的业务目标转化为高可靠、可执行的智能体应用，搭建大模型与传统小模型的协同的技术方案。。
3. 搭建大模型RAG全链路技术体系：RAG检索与排序体系构建与优化，文档处理、向量嵌入、检索召回、重排策略的全流程设计与持续迭代。
4. 搭建高质量Prompt工程体系：基于大模型提示词工程，落地CoT、Few-shot等优化方案，搭建标准化、可复用的Prompt体系，持续提升智能体应答的准确性、逻辑性与专业性。
5. 智能体核心能力迭代优化：智能体MCP协议的技术选型、接入调试与场景化落地，打通智能体工具调用、信息交互、多能力协同的核心链路，完善智能体交互与执行机制，持续优化智能体规划推理、记忆机制、多工具协同、多智能体协作能力，提升系统整体效果与稳定性。
6. 模型训练与优化：全流程模型模型训练工作，涵盖传统机器学习模型、NLP算法模型、大模型微调训练，弥补通用大模型的不足，保障业务场景算法效果稳定可控。
7. 团队协同与技术沉淀：与后端工程师高效协同，完成智能核心模块与业务基建的联调融合、问题排查与功能迭代；沉淀可复用的应用方案、技术组件与落地方法，推动团队技术标准化。
任职要求：
1. 本科及以上学历，计算机、人工智能、软件工程等相关专业，3-5年大模型智能体、大模型应用算法相关工作经验。
2. 熟悉预训练模型（BERT、GPT）、主流机器学习模型（决策树、回归等）、NLP模型（信息抽取、文本分类等）等算法基本原理，能够完成模型训练、调参与验证。
3. 熟悉国内外主流的开源、闭源大模型，深入理解大模型底层特性与局限性。
4. 熟练使用主流智能体开发框架，具备生产级智能体项目落地经验。
5. 精通RAG全链路技术，熟悉主流向量数据库，具备检索、召回、重排策略优化实战经验。熟练掌握高阶Prompt工程、Function Calling、智能体规划、记忆管理等核心技术。
6. 具备优秀的复杂业务拆解与方案设计能力，可将模糊、复杂的业务需求转化为标准化、可落地的技术方案。