中国平安
算法工程师（Agent方向）
算法工程师（Agent方向）
发布于 大约 8 小时前普通员工/个人贡献者
深圳市
中级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
PyTorch
RAG
TensorFlow
LLM
向量数据库
NLU
AI 估算 · 25k–40k
深圳大厂算法岗，3年经验且涉及前沿技术，薪资处于行业中上水平。
职位详情
关于这个职位
该职位负责核心NLU引擎研发、基于大语言模型的智能体构建、RAG技术应用与算法工程化落地
你将参与意图识别、多轮对话、检索增强生成等前沿AI技术的研究与开发，并与产品、工程团队合作推动技术商业化
适合有3年以上NLP经验、熟悉大模型微调和Agent框架的算法工程师
最低要求
学历与专业背景：计算机科学、人工智能、机器学习、电子工程、数学等相关专业硕士及以上学历
NLP经验：3年以上自然语言处理相关领域的研发经验，对NLP基础理论和常用算法有扎实理解
编程能力：精通Python，具备优秀的工程实现能力
熟悉至少一种主流深度学习框架，如PyTorch或TensorFlow
大模型经验：熟悉Transformer、BERT、GPT等预训练语言模型，并有实际使用和微调大语言模型（如Llama, GLM, GPT系列等）的实践经验
综合素质：具备优秀的分析和解决问题能力，良好的团队协作精神和沟通能力，对技术充满热情
专业方向（至少精通一项）：
NLU方向：在意图识别、实体抽取等领域有深入研究和项目经验
Agent方向：对LangChain、LlamaIndex等Agent框架有深入理解和实践经验，熟悉ReAct、Tool-use等Agent核心思想
RAG方向：具备完整的RAG系统搭建经验，熟悉向量数据库和语义检索技术
工作职责
核心NLU引擎研发：负责意图识别、实体抽取、情感分析、文本分类等核心NLU任务的算法设计、模型训练与优化
针对特定业务场景，构建高精度、高鲁棒性的NLU模型，并持续迭代提升效果
跟踪NLU领域的最新研究成果，并将其应用于实际业务中
LLM-based Agent构建：设计和开发基于大语言模型的智能体框架，实现复杂的任务规划、推理和工具调用
负责多轮对话管理、上下文理解和状态追踪模块的研发，打造流畅、智能的对话交互体验
探索Agent的自主学习和决策能力，使其能够完成开放域、多步骤的复杂任务
RAG技术应用与优化：设计并实现高效的检索增强生成（RAG）系统，结合向量检索与大语言模型，提升回答的准确性、时效性和可追溯性
负责文档切分、向量化、索引构建以及召回、排序等全链路模块的优化
研究并解决RAG系统中的常见问题，如信息噪音、召回不准、知识冲突等，并有效减少模型幻觉
工程与落地：负责算法模型的工程化部署、性能优化和线上服务的稳定性维护
与产品、工程团队紧密合作，深刻理解业务需求，推动AI技术的快速落地和商业化应用
构建完善的评测体系和数据闭环，驱动模型和系统持续改进
AI 洞察
优缺点分析
优点
- 前沿技术栈：涉及大模型、Agent、RAG等AI热点方向，技能积累价值高
- 平台优势：平安集团业务场景丰富，技术落地机会多，稳定性强
- 团队氛围：与优秀同事协作，持续跟踪学术界最新成果，成长空间大
- 技术门槛高：需要同时掌握多项复杂技术，学习曲线陡峭
- 竞争激烈：算法岗位人才众多，需持续提升自身竞争力
- 适合有3年以上NLP经验、对大模型应用充满热情、愿意深入Agent和RAG方向的技术型人才
缺点 / 挑战
- 业务压力：需快速将技术转化为商业价值，工程与落地节奏较快
角色解读
- 技术深度：成长为NLU/Agent/RAG领域的专家，主导核心算法方向
- 技术广度：向全栈AI工程师发展，覆盖从研究到工程落地的全链路
- 管理方向：晋升为技术Leader，带领团队攻克复杂业务问题
- 负责NLU核心任务如意图识别、实体抽取的算法研发与模型优化
- 构建基于大语言模型的智能体框架，实现任务规划、推理和工具调用
- 设计并优化RAG系统，结合向量检索提升回答准确性与时效性
- 推动算法模型工程化部署与线上服务稳定性维护
- 精通Python和至少一种深度学习框架（PyTorch/TensorFlow）
- 扎实的NLP基础，熟悉Transformer、BERT、GPT等预训练模型
- 有实际微调大语言模型的经验（如Llama、GLM等）
- 至少精通NLU、Agent或RAG中的一个方向
申请策略
- 关注平安在金融科技领域的具体业务场景，思考如何将Agent/RAG技术应用于金融风控、客服等场景
- 准备一个端到端的项目案例，展示从数据准备到模型部署的全过程
- 突出NLP项目经验，特别是意图识别、实体抽取等实际成果
- 详细描述大模型微调经验，注明使用的模型、数据集和效果指标
- 如有Agent或RAG系统开发经验，重点展示框架选择、架构设计和优化效果
- 强调工程化能力，如模型部署、性能优化和线上稳定性维护案例
- 深入学习LangChain、LlamaIndex等Agent框架，动手搭建Demo
- 补充向量数据库（如FAISS、Milvus）与检索技术知识
面试指南
- STAR法则：描述情境、任务、行动和结果，量化指标
- 对比方案：列举不同技术方案的优劣，展示你的思考深度
- 痛点解决：强调你在项目中遇到的挑战及你的解决思路
- 请详细描述一个你主导的NLU项目，包括数据、模型选择和最终效果
- 如何微调一个LLM来处理特定业务场景？你如何评估微调效果？
- 解释RAG系统的核心组件，并讨论如何处理信息噪音和幻觉问题
- 如何设计一个基于LLM的Agent来实现多步骤任务规划？
- 在工程部署中，你如何优化模型推理速度和内存占用？
匹配度报告
65
综合匹配度
深圳大厂算法岗，前沿Agent/RAG方向，薪资有竞争力但未明示，工作强度可能较高。
适合人群
适合以技术成长为核心追求，能接受较高工作强度，希望在前沿AI领域深耕的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活40
使命价值60
薪资福利匹配
70中等
薪资面议但根据深圳大厂算法岗行情，薪资水平有竞争力，但未明确披露具体数字和福利。
薪资信号面议 (25K-40K/月)
成长发展匹配
90较高
该职位涉及大模型、Agent、RAG等前沿技术，学习成长空间极大，且JD强调持续跟踪最新成果，发展性动机极强。
技术前沿前沿/新兴技术
技术栈LLM、RAG、Agent、Transformer、BERT、GPT、LangChain、LlamaIndex
成长机会跟踪NLU领域的最新研究成果、探索Agent的自主学习和决策能力
业务类型profit_center
工作生活匹配
40较低
仅现场办公，未提及弹性工作或远程，且大厂算法岗通常工作强度较高，WLB一般。
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
金融科技领域应用前景较好，但具体社会影响和使命感未在JD中强调。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs