中国平安
架构师（AI 方向）
架构师（AI 方向）
发布于 大约 2 个月前基层主管/组长
深圳市
高级经验
全职员工
仅现场办公
本科
软件工程
分布式系统
数据挖掘
微服务
大模型
AI 估算 · 45k–65k
AI架构师稀缺，平安平台大，薪资竞争力强，结合深圳行情和岗位要求估算。
职位详情
关于这个职位
该职位是中国平安（深圳）的AI架构师，负责主导AI数据挖掘体系搭建、优化全链路数据架构，并深度融合大模型与业务场景
你需要有5年以上AI工程化经验，精通分布式系统和大模型部署，指导团队推动技术攻坚
适合追求前沿技术、具备强架构能力和算法落地经验的高级工程师
最低要求
本科及以上学历，计算机、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，金融科技、大型科技公司 AI 工程化落地经验优先
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
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（GPT-4o、Claude 3 、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，熟悉阿里云百炼、百度智能云千帆、火山引擎等平台操作优先
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，能指导团队落地 AI 工程化相关工作
具备强技术规划能力、问题解决能力与跨团队协作能力
工作职责
主导 AI 领域数据挖掘与分析体系的搭建与落地，聚焦数据价值挖掘与业务应用转化，构建覆盖数据采集、清洗、分析、建模、可视化的全流程数据挖掘技术框架，沉淀标准化分析方法与工具链
负责 AI 业务全链路数据架构规划与优化，涵盖多源数据整合、数据流转、接口设计，结合业务场景深度挖掘数据关联规律，降低数据应用成本，提升数据决策效率与分析结果的可落地性
联动算法与研发团队，将主流大模型（阿里通义千问 Qwen 系列、腾讯混元大模型、百度文心一言、字节豆包大模型系列）及自研算法模型与数据挖掘能力深度融合，解决数据建模、特征提取、分析结果工程化适配等核心问题，推动数据洞察从分析结论转化为业务行动
跟踪数据挖掘、AI 分析前沿技术（如大模型辅助数据分析、智能特征挖掘、分析新算法、可视化交互工具），结合业务特点引入先进技术方案，优化现有数据挖掘流程与架构，推动数据驱动的业务创新与技术迭代
负责 AI 工程化数据挖掘项目技术攻坚，攻克复杂数据场景下的挖掘建模、分析落地核心难题，指导团队开展数据挖掘相关工作，通过技术培训、经验沉淀提升团队整体数据建模、分析解读与业务落地能力
AI 洞察
优缺点分析
优点
- 接触最前沿的大模型技术和AI工程化实践，技术积累丰厚
- 中国平安平台大，资源多，项目影响力广，职业背书强
- 薪资水平顶尖，且金融科技行业稳定，年终福利优厚
- 技术深度要求高，需要同时掌握算法、工程和业务知识
- 金融行业对系统稳定性和数据安全要求严格，容错率低
缺点 / 挑战
- 跨团队协作频繁，沟通成本高，可能面临较强的工作压力
- 适合有5年以上AI工程化经验、技术全面、能承受一定压力、希望在大平台深耕前沿技术的资深工程师
角色解读
- 技术纵深：成为AI架构专家，主导更大规模系统设计
- 管理方向：晋升技术总监或首席架构师，带领团队制定技术战略
- 业务拓展：转型为AI产品技术负责人，深入业务场景驱动创新
- 主导AI数据挖掘体系建设，覆盖采集、清洗、建模、可视化全流程
- 优化AI业务全链路数据架构，整合多源数据并挖掘关联规律
- 联动算法团队将大模型（如Qwen、混元）与数据挖掘融合，推动业务落地
- 跟踪前沿技术，攻坚复杂数据场景，指导团队提升工程能力
- 精通Java/Python/Golang，有微服务、分布式系统、容器化部署经验
- 熟悉机器学习、深度学习及大模型部署调优，掌握LangChain等Agent框架
- 具备数据挖掘全栈能力，从架构设计到工程化落地
- 强技术规划与跨团队协作能力，能指导团队工作
申请策略
- 了解平安金融科技的业务场景（如保险、银行），面试中体现业务理解
- 提前关注公司AI战略方向，如平安的“金融+科技”定位，展现契合度
- 突出大模型（如Qwen、GPT系列）的部署、调优和工程化落地项目经验
- 强调微服务、分布式系统、容器化的高并发架构设计案例
- 展示数据挖掘全流程项目成果，特别是将AI模型转化为业务价值的实例
- 附上技术博客、开源贡献或专利，证明技术深度和影响力
- 补齐LangChain、AutoGPT等Agent框架的实践，可做小项目演示
- 深入学习阿里云百炼、百度千帆等平台操作，熟悉国内大模型生态
面试指南
- STAR法则：情境-任务-行动-结果，清晰展示项目背景和个人贡献
- 对比分析：给出多个方案对比，体现决策能力和技术广度
- 问题导向：先分析问题本质，再提出解决方案，最后总结收获
- 请描述一个你主导的大模型工程化落地项目，包括架构设计和遇到的挑战
- 在设计高可用AI数据管道时，如何保证数据一致性和实时性？
- 你如何选择合适的大模型（如Qwen vs 混元）并优化推理性能？
- 在跨团队协作中，如何处理算法团队与工程团队的分歧？
- 请谈谈你对Agentic AI的理解，以及LangChain在实际项目中的应用
匹配度报告
70
综合匹配度
大厂AI架构岗，前沿技术栈，高薪高压，发展空间大。
适合人群
最适合追求技术成长和高薪、能接受高强度工作、对WLB要求不高的资深AI工程师。
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95
工作生活40
使命价值60
薪资福利匹配
85较高
薪资水平优越，但JD未明确福利细节，大厂稳定性高，补偿性较强。
薪资信号未披露（AI估算：45K-65K/月）
成长发展匹配
95较高
前沿AI技术栈，大模型、Agent框架，技术成长空间极大，且有指导团队的机会。
技术前沿前沿/新兴技术
技术栈大模型、LangChain、Agentic AI、分布式系统、Kubernetes
成长机会技术培训、经验沉淀
业务类型ambiguous
工作生活匹配
40较低
未提及远程或弹性办公，科技园办公，可能工作强度较大，WLB一般。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值匹配
60中等
金融科技有一定社会价值，但偏向商业应用，使命感一般，行业增长稳健。
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