中国平安
【AI】高级算法工程师
【AI】高级算法工程师
发布于 2 天前普通员工/个人贡献者
深圳市
中级经验
全职员工
仅现场办公
硕士
深度学习
PyTorch
RAG
LLM
大模型
LoRA
智能体
Qwen
AI 估算 · 30k–50k
大模型方向稀缺，平安大厂金融科技背景，硕士学历叠加，薪资竞争力强，月薪30k-50k合理。
职位详情
关于这个职位
该职位负责设计、开发和优化大模型及智能体系统，并落地到平安的金融业务中，提升业务效率和用户体验
你将参与从需求拆解、模型选型到训练调优、效果评估的全流程，同时追踪前沿算法技术
适合有大模型或NLP经验、希望深入业务场景解决实际问题的算法工程师
最低要求
岗位要求:（一）基本要求 计算机科学、人工智能、应用数学等硕士及以上学历
年以上大模型 / 智能体研发经验（优秀可放宽至 1 年项目经验，需提供相关论文或项目成果）
（二）核心能力（必须） 1、精通大模型训练全流程（数据预处理→预训练微调→效果评估），熟练掌握 LoRA、QLoRA、DPO 等微调方法
熟悉至少 2 种主流大语言模型（Deepseek/Qwen/GLM/Llama）的架构与调优特性
精通 PyTorch/TensorFlow 至少一种深度学习框架
熟练掌握 Python 编程（Java/C++ 非必需），具备高效的数据处理与模型实现能力
至少在以下 1 个领域有实践经验： -智能客服大模型（意图识别、多轮对话、合规应答）
-大模型推理优化（逻辑 / 数学推理、知识约束推理）
-RAG 系统搭建（金融知识库构建、检索策略优化）
-Agent / 多智能体系统（任务规划、工具调用 Function Call）
思维与协作：具备 “业务目标导向” 的算法设计思维，能通过数据分析定位问题
具备良好的跨团队沟通能力（可高效联动产品、推理工程团队）
工作职责
岗位职责: 设计、开发、优化算法模型，并将其落地到实际业务中，以解决实际问题并提升业务效率和用户体验： 1.针对业务需求，进行问题拆解和技术选型，设计合理的算法方案
结合业务场景选择适合的基础模型，采用各类训练方法进行训练调优
构建算法效果的评估体系，确定合理的指标(如准确率、召回率等)
通过数据分析，定位模型效果不佳的原因并指导优化方向，满足业务效果要求
跟进业界前沿算法技术，并评估其在业务场景中的应用价值与可行性
AI 洞察
优缺点分析
- 大厂平台提供海量数据和丰富业务场景，算法落地机会多
- 聚焦大模型前沿技术，紧跟业界最新进展，技术成长快
- 金融行业稳健，算法在风控、客服等方向价值高，职业稳定性强
- 技术迭代快，需持续学习新模型和微调方法，学习压力较大
- 金融业务对算法准确性、合规性要求高，容错率低，需严谨验证
- 跨团队协作频繁，沟通成本较高，需要较强的业务理解能力
- 适合有1-2年大模型经验、热爱技术且能承受一定压力的算法工程师，尤其是希望在金融AI领域深耕的求职者
角色解读
- 从算法工程师逐步成长为AI技术专家，深入大模型架构与优化
- 可转向AI架构师，负责系统设计和团队技术决策
- 在金融科技领域积累业务经验，发展为AI产品经理或技术管理者
- 设计并优化大模型和智能体系统，根据金融业务需求进行问题拆解和技术选型
- 使用LoRA、DPO等微调方法训练和调优模型，构建评估体系
- 通过数据分析定位模型不足，并追踪前沿算法评估应用价值
- 与产品、推理工程团队协作，确保模型高效落地
- 精通大模型训练全流程，熟悉PyTorch/TensorFlow及Python编程
- 掌握至少两种大模型（如Deepseek、Qwen）的架构和调优
- 在智能客服、推理优化、RAG或Agent之一有实战经验
- 具备业务导向思维和跨团队沟通能力
申请策略
- 提前了解平安的金融AI产品方向，在面试中展示业务理解
- 准备一两个开源贡献或论文成果，体现学习能力和技术深度
- 突出大模型或智能体项目的完整经验，包括数据、训练、优化和落地效果
- 详细列出使用的微调方法（如LoRA、DPO）和框架（PyTorch等）
- 量化业务指标提升（如准确率、召回率、业务效率提升百分比）
- 如果缺乏RAG或Agent经验，可以快速学习相关开源项目（如LangChain）
- 补充金融领域知识，了解常见业务场景（如智能客服、知识库）
面试指南
- 使用STAR法则：描述情境、任务、行动、结果，突出技术细节和量化成果
- 对于开放式问题，先拆解问题，再给出多种方案并比较优劣，最后总结建议
- 请详细描述你做过的一个大模型微调项目，包括数据构建、训练策略和效果评估
- LoRA和QLoRA的原理是什么？在什么场景下选择使用？
- RAG系统中的检索策略有哪些？如何优化召回率和相关性？
- 如何评估一个智能体系统的任务规划能力？你会设计哪些指标？
- 假设业务要求提升客服意图识别的准确率，但数据集不平衡，你会如何处理？
- 复习Transformer架构、Attention机制、大模型训练优化技术（如ZeRO）
匹配度报告
75
综合匹配度
大厂大模型岗，技术前沿薪资优，但办公灵活性一般。
适合人群
该职位最适合发展性动机强的求职者，即希望通过前沿技术快速成长、看重项目价值的人，对工作生活平衡要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展90
工作生活50
使命价值75
薪资福利匹配
85较高
大厂高级算法岗位薪资通常较高，但JD未披露具体数字，行业对标月薪30-50k，年终奖丰厚，补偿性动机满足度高。
薪资信号未披露 (30K-50K/月)
成长发展匹配
90较高
聚焦大模型前沿技术，涉及训练全流程和多种业务场景，技术成长空间大，且有机会接触到金融AI核心应用。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、Deepseek、Qwen、GLM、Llama、LoRA、QLoRA、DPO、RAG、Agent
业务类型ambiguous
工作生活匹配
50较低
JD未提及远程或弹性办公，默认现场办公，且深圳互联网大厂通常有一定加班文化，WLB一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
75中等
金融科技属于高速增长赛道，大模型在金融场景的应用有实际社会价值，但整体创新跟随业界主流，非开拓性。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs