中国平安
架构师（AI 方向）
架构师（AI 方向）
发布于 大约 17 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
本科
微服务
LLM
大模型
AI 估算 · 35k–60k
深圳大厂AI架构师岗位，前沿技术栈，市场竞争激烈，薪资水平较高。
职位详情
关于这个职位
该职位负责主导AI工程化转型的技术架构设计与落地，包括大模型应用架构、agentic AI框架部署等
你将与算法和研发团队协作，将主流大模型工程化，解决模型部署与推理优化等核心问题
适合有深度AI工程经验、追求前沿技术落地的架构师
最低要求
本科及以上学历，计算机、软件工程、人工智能、大数据等相关专业，5年及以上AI工程或架构相关工作经验，同时具备扎实的工程架构能力和算法应用经验
工程能力：精通Java/Python/Golang等至少一种编程语言，熟悉微服务架构、分布式系统、容器化部署（Docker、K8s），具备高并发、高可用系统架构设计与落地经验
算法能力：熟悉机器学习、深度学习、NLP等基础算法原理，有模型部署、推理优化、算法工程化落地经验，了解全球主流大模型(如GPT-4o、Claude Gemini、Llama 3)，熟练掌握国内主流大模型(阿里通义千问Qwen3.5-Plus/Qwen3/Qwen-Coder、腾讯混元大模型、百度文心一言、字节豆包大模型系列)的部署与调优流程
熟悉agentic AI框架(LangChain、AutoGPT等)、AI coding工具的使用与集成，具备AI工具链搭建、skill编写经验
工作职责
主导AI工程化转型的技术架构设计与落地，兼顾工程架构稳定性与算法落地可行性，搭建AI工程化技术体系（大模型应用架构、agentic AI框架部署、AI coding工具集成等），聚焦大模型底层原理、模型调优逻辑与智能体运行机制
负责AI系统整体架构规划，涵盖模型部署、算力调度、数据流转、接口设计、高可用保障，结合业务场景优化架构性能，通过模型微调、推理加速、资源动态调度等手段降低工程落地成本，提升系统稳定性与可扩展性
联动应用算法团队与研发团队，实现大模型与自研算法的工程化落地，将全球主流大模型、国内主流大模型及自研算法模型高效落地至工程系统，解决模型部署、推理优化、工程化适配等核心问题，推动AI技术从实验室走向业务落地
跟踪AI工程化前沿技术（大模型工程化、智能体架构、AI工具链），结合业务特点引入先进技术方案，优化现有AI架构，推动技术创新
负责AI工程化项目技术攻坚，解决架构设计与工程落地中的核心技术难题
优先资格
金融科技、大型科技公司AI工程化落地经验优先
熟悉阿里云百炼、百度智能云千帆、火山引擎等平台操作优先
AI 洞察
优缺点分析
- 技术前沿：涉及大模型、Agent等最新AI技术，技能积累价值高
- 平台优势：中国平安为巨头企业，项目资源丰富，稳定性好
- 发展空间：AI工程化是行业刚需，未来就业面广
- 技术复杂度高：需要同时具备工程架构和算法能力，学习曲线陡峭
- 落地压力大：需平衡算法效果与工程性能，解决实际业务中的难题
- 工作强度：大厂AI项目节奏快，可能面临较高强度工作
- 适合有多年AI工程化经验、追求技术深度、愿意在大型组织内推动前沿技术落地的架构师
角色解读
- 技术纵深：深耕AI工程化领域，成为大模型部署与推理优化专家
- 管理方向：从技术架构师发展为AI技术负责人或团队管理者
- 跨领域：结合金融科技业务，转型为AI+金融解决方案架构师
- 主导AI工程化架构设计，包括大模型应用架构、Agent框架部署和AI工具集成
- 规划AI系统整体架构，涵盖模型部署、算力调度、数据流转和高可用保障
- 与算法和研发团队协作，推动大模型从实验室到业务系统的工程化落地
- 跟踪前沿AI工程化技术，引入先进方案优化现有架构
- 精通Java/Python/Golang之一，熟悉微服务、分布式系统和容器化(K8s/Docker)
- 扎实的算法基础：机器学习、深度学习、NLP，并有模型部署和推理优化经验
- 熟悉主流大模型（GPT-4o、Qwen、混元等）的部署与调优，以及Agent框架(LangChain等)
- 具备高并发、高可用系统架构设计经验
申请策略
- 了解平安的AI战略方向（如金融+科技），在面试中结合业务痛点阐述架构思路
- 准备一个完整的AI工程化项目复盘，从设计到落地的全过程
- 突出主导过的大型AI系统工程案例，强调架构设计、模型部署与优化成果
- 展示对主流大模型(如Qwen、GPT)的调优经验及Agent框架(LangChain)的实际应用
- 列出在高并发、分布式系统中的技术贡献，如性能提升、成本降低等量化数据
- 补充金融科技领域知识，了解风控、理赔等业务场景的AI应用
- 学习阿里云百炼、百度千帆等大模型平台的操作，提升工程化效率
- 强化编程能力，尤其是Python/Golang在AI工程中的高级用法
面试指南
- 系统性思维：先明确业务目标，再分解为架构需求，逐步展开技术方案
- 量化导向：回答中尽量包含具体数据（如QPS、延迟、成本降低百分比）
- 权衡取舍：说明在稳定性、成本和效率之间的决策逻辑
- 请描述你主导过的一个AI工程化项目，包括架构设计、模型部署和优化过程
- 如何在大规模系统中实现大模型的高并发推理？
- 比较LangChain和AutoGPT的适用场景，你会如何选择？
- 如何保证AI系统的稳定性和可扩展性？给出具体方案
- 谈谈对国内主流大模型（如Qwen、混元）的了解，如何选择模型并进行微调？
匹配度报告
71
综合匹配度
大厂AI架构岗，前沿技术栈，薪资高但WLB一般。
适合人群
最适合追求技术成长、愿意投入时间提升技能、对薪资和稳定性有较高要求的求职者。
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60
薪资福利匹配
85较高
薪资水平较高，大厂福利较好，但JD未明确具体薪资和福利项，因此有提升空间。
薪资信号未披露 (35K-60K/月)
成长发展匹配
90较高
技术前沿，涉及大模型、Agent等新兴领域，成长路径清晰，能快速积累稀缺技能。
技术前沿前沿/新兴技术
技术栈LLM、LangChain、Agent、微服务、Kubernetes、Docker
业务类型ambiguous
工作生活匹配
50较低
现场办公、未提及WLB，大厂AI团队通常加班较多，灵活性低。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
60中等
AI技术本身有社会价值，但金融行业更侧重商业应用，使命感一般。
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