PINGAN logo
中国平安
算法工程师(Agent开发)

算法工程师(Agent开发)

发布于 大约 2 个月前

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
硕士
软件工程
RAG
LLM
向量数据库
提示词工程
证券
多智能体
Agent框架

AI 估算 · 30k–50k

岗位要求5年经验+硕士,Agent开发前沿技能稀缺,深圳大厂溢价,预估30-50K/月,14薪

职位详情

关于这个职位

该职位主要负责基于大语言模型(LLM)的智能体(Agent)开发,包括方案设计、多智能体协作、RAG知识库构建以及工具生态建设,并将AI技术落地到证券等业务场景

适合具有5年以上AI工程化经验、精通Python和Agent框架的资深算法工程师

最低要求

硕士及以上学历,计算机科学、人工智能、机器学习、电子工程等相关专业

具备5年以上AI工程化经验
深入理解Transformer、LLM的原理,熟练掌握提示词工程技巧,能够设计复杂的System Prompt
精通Python,熟悉至少一种Agent框架,可熟练使用Agent平台开发WorkFlow、Agent,并有实际的项目落地经验,能够解决Agent在执行过程中出现的幻觉、循环死锁、工具调用失败等问题
具备完整RAG系统搭建经验,熟悉向量数据库、文档切片、语义检索技术和重排等技术
有Docker、K8s使用经验
具有业务驱动型思维和用户思维,能快速转化业务痛点为技术方案,推动需求闭环

工作职责

负责基于LLM的Agent方案设计,构建具备规划、记忆、工具使用和反思能力的Agent应用

参与多智能体协作机制的设计和实现,解决复杂业务任务拆解、分发与结果聚合等问题
结合RAG技术,建设业务知识库,优化Agent在业务领域的问答准确性和性能
负责Agent工具生态(API、MCP、Skills等)的建设,实现Agent与工具的稳定对接和异常处理
与业务需求方紧密合作,将Agent技术工程落地到实际业务场景(如材料质检、报告辅助生成等)
跟踪AI Agent领域最新进展,探索Agent技术在证券场景的创新应用

AI 洞察

优缺点分析

优点

  • 前沿技术方向:Agent开发是AI热点,技能积累市场价值高
  • 大平台资源:中国平安提供丰富的业务场景和数据,利于技术落地
  • 职业前景广阔:Agent技术可应用于金融、客服、自动化等多个领域
  • 技术难度高:需要深入理解LLM、RAG、多智能体协作,解决实际问题
  • 适合有5年以上AI工程经验、热爱前沿技术、乐于解决复杂工程问题的资深算法工程师

缺点 / 挑战

  • 业务压力大:需快速将技术转化为业务价值,可能涉及高强度工作

角色解读

  • 在AI Agent领域成为技术专家,主导前沿算法研究与落地
  • 向技术管理方向发展,带领团队攻克复杂业务难题
  • 横向拓展至大模型训练、多模态等方向,或在金融科技领域深耕
  • 设计基于LLM的Agent架构,实现规划、记忆、工具调用等核心能力
  • 参与多智能体协作系统开发,解决任务拆解和结果聚合等复杂问题
  • 利用RAG技术构建业务知识库,提升Agent在证券等领域的问答准确性
  • 建设Agent工具生态,确保与API、MCP等工具稳定对接,并落地到具体业务场景
  • 精通Python和至少一种Agent框架(如LangChain、CrewAI),有实际项目经验
  • 深入理解Transformer、LLM原理,掌握提示词工程和系统Prompt设计
  • 熟悉RAG技术栈,包括向量数据库(如Milvus)、文档切片、语义检索和重排
  • 具备Docker、Kubernetes等容器化部署经验,能解决Agent运行中的幻觉、死锁等问题

申请策略

  • 研究中国平安的金融科技布局和AI战略,在面试中展现业务视角
  • 准备一个完整的Agent项目案例,从需求分析到落地效果
  • 突出Agent框架(如LangChain)的项目经验,展示解决幻觉、死锁等问题的案例
  • 强调RAG系统搭建经历,包括向量数据库选型、切片策略和检索优化
  • 展示Python系统设计能力和工程化经验,提及Docker、K8s使用场景
  • 如果有金融或证券领域背景,务必突出业务理解与落地成果
  • 补充多智能体系统设计相关知识和实践
  • 学习MCP(模型上下文协议)等工具生态标准

面试指南

  • STAR法则:情境-任务-行动-结果,突出技术挑战和解决方案
  • 技术对比法:对不同技术方案进行权衡,展示决策思路
  • 业务导向:强调技术如何服务于业务目标
  • 请描述你设计过的Agent系统架构,如何解决幻觉和循环死锁问题?
  • 讲一个RAG系统优化的例子,你如何选型和技术决策?
  • 多智能体协作中如何保证任务分配和结果一致性?
  • 如何在Agent中集成外部工具(API),并处理异常?
  • 如果让你将Agent技术应用于证券材料质检,你会如何设计?

匹配度报告

72
综合匹配度

技术前沿、大厂平台、薪资可观,但工作地点固定且可能加班。

适合人群
适合追求技术成长和前沿领域、对薪资和平台有较高要求,但能接受现场办公和一定工作强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活50
使命价值70

薪资福利匹配

80较高

薪资水平较高,大厂福利完善,但JD未明确列出具体福利,补偿性动机满足较好。

薪资信号未披露(AI估算:30K-50K/月)

成长发展匹配

90较高

技术栈前沿(Agent、LLM、RAG),项目经验积累价值高,成长空间大。

技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、Python、Docker、Kubernetes
业务类型ambiguous

工作生活匹配

50较低

仅现场办公,未提及弹性工作,互联网大厂通常工作强度较高,生活化动机满足一般。

工作模式仅现场办公
办公地点未明确
加班情况未提及(无法判断)

使命价值匹配

70中等

金融科技行业稳健,Agent技术应用于证券场景有一定社会价值,但未明确使命感信号。

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