中国平安
AI算法工程师
AI算法工程师
发布于 大约 15 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
本科
PyTorch
RAG
TensorFlow
SFT
向量数据库
VLM
多模态大模型
RLHF
CLIP
Qwen-VL
AI 估算 · 25k–40k
多模态前沿技术，技能稀缺，大厂薪资有竞争力，预计月薪2.5-4万。
职位详情
关于这个职位
负责多模态大模型和视觉Agent的研发与优化，涉及模型预训练、微调、对齐及工程化落地，适合有CV和AI Agent经验的技术人才
最低要求
多模态大模型经验：具备真实可落地的多模态大模型研发经验，精通VLM、图文大模型架构，熟练掌握视觉大模型预训练、微调、量化、对齐等技术，熟悉CLIP、CogVLM、Qwen-VL、LLaVA等主流多模态模型，有CV领域多模态模型优化、训练、落地实战经验
Agent智能体开发经验：具备AI Agent完整开发落地经验，精通Agent框架搭建、任务拆解、记忆模块、工具调用、规划推理逻辑，熟悉多智能体协同架构，有视觉Agent、自动化决策智能体相关实战项目经验
本科及以上学历，计算机、人工智能、电子信息、自动化等相关专业，2年及以上CV算法研发工作经验
扎实的计算机视觉基础知识，精通深度学习原理，熟练使用Python编程语言，熟练运用PyTorch/TensorFlow主流深度学习框架
熟悉多模态数据处理、向量数据库、Embedding、RAG等相关技术，了解模型推理加速、轻量化部署相关方案
具备良好的算法逻辑思维、问题排查能力，能够独立完成算法方案设计、实验验证、迭代优化
工作职责
多模态大模型研发优化：负责CV领域多模态大模型研发工作，聚焦图像、视频、文本多模态融合，完成视觉大模型预训练、微调、对齐优化，包括SFT、RLHF、Prompt工程、模型量化等工作，提升模型视觉理解、细粒度识别、图文匹配、图像生成能力
视觉Agent智能体开发：负责AI Agent架构设计与开发落地，搭建视觉智能体任务编排框架，实现Agent感知、推理、规划、执行闭环能力，完成视觉任务拆解、工具调用、多智能体协同、自主决策逻辑开发，落地CV场景智能化应用
算法方案设计与迭代：结合业务场景需求，调研跟进国内外多模态大模型、视觉Agent前沿技术，设计高精度、高稳定性的算法解决方案，持续优化模型推理速度、泛化能力、复杂场景适配性
数据处理与评测体系搭建：负责多模态视觉数据清洗、标注、增强、蒸馏优化，搭建模型评测基准，针对视觉识别、Agent任务执行效果进行量化评估，输出优化迭代方案
工程化落地与优化：配合工程团队完成模型轻量化、推理部署、性能调优，兼顾算法效果、算力成本与系统稳定性，实现多模态模型+视觉Agent在业务场景的规模化落地
AI 洞察
优缺点分析
优点
- 处于AI最前沿的多模态和Agent方向，技术积累价值高，行业竞争力强
- 大厂平台资源丰富，可参与大规模真实场景落地，项目含金量高
- 团队技术氛围浓厚，接触最新开源模型和工具，持续学习成长
- 技术门槛高，要求同时掌握多模态、Agent、工程化等多领域知识
- 该方向人才竞争激烈，需持续跟进前沿论文和开源进展
缺点 / 挑战
- 工作强度可能较大，涉及模型迭代、实验验证和交付压力
- 适合具备2年以上CV经验、对多模态和Agent方向有浓厚兴趣、愿意面对技术挑战的算法工程师
角色解读
- 技术深耕：成为多模态或Agent领域的专家，主导核心算法创新
- 架构转型：向AI系统架构师发展，负责大规模模型训练和推理系统设计
- 管理晋升：从技术负责人逐步过渡到团队管理或技术总监
- 负责多模态大模型的研发与优化，包括预训练、微调、对齐（SFT/RLHF）等工作
- 设计并开发视觉Agent智能体，实现任务拆解、工具调用、多智能体协同
- 结合业务需求设计算法方案，持续提升模型性能和场景适配性
- 搭建数据处理和评测体系，推动模型轻量化与工程化落地
- 精通VLM等主流多模态模型架构，具备训练和优化经验
- 熟悉AI Agent框架搭建，有视觉Agent或决策智能体项目经验
- 熟练掌握Python及PyTorch/TensorFlow，了解模型部署优化
- 了解RAG、向量数据库、模型量化等前沿技术
申请策略
- 提前了解中国平安的AI战略和已有AI产品（如金融、医疗视觉应用），在面试中体现业务理解
- 突出多模态大模型项目经验，说明在预训练、微调、对齐中的具体贡献
- 详细描述Agent开发经历，包括框架设计、任务拆解、工具调用等实现细节
- 展示数据清洗、评测体系搭建等数据处理能力，以及模型部署优化案例
- 补强RLHF、模型量化等对齐优化技术，动手实践主流开源多模态模型
- 学习LangChain、AutoGPT等Agent框架，复现经典视觉Agent项目
- 练习算法方案设计能力，尝试独立完成从需求到落地的完整流程
面试指南
- STAR法则：描述项目背景、任务、行动、结果，突出个人贡献和难点攻克
- 技术原理+实践案例：先阐明技术概念，再结合具体实验数据或开源项目说明
- 对比分析：针对不同方案（如不同模型或框架）分析优缺点，展示思考深度
- 请详细讲一下你参与的多模态大模型项目，包括模型架构、训练流程和遇到的问题
- RLHF如何实现？你如何设计奖励模型？
- 如何设计一个视觉Agent系统？请描述其架构和关键模块
- 你如何评估多模态模型的效果？有哪些指标？
- 模型部署时如何平衡推理速度和精度？有哪些常用轻量化技术？
匹配度报告
74
综合匹配度
大厂核心算法岗，前沿多模态与Agent技术栈，高成长高薪酬，但WLB一般。
适合人群
适合以技术成长为核心驱动，愿意接受高薪酬与高强度工作平衡的求职者。
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70
薪资福利匹配
85较高
该职位属于大厂核心算法岗，预计薪资较高，但福利未在JD中明确披露。
薪资信号未披露（AI估算：25K-40K/月）
成长发展匹配
90较高
职位聚焦多模态和Agent前沿技术，技能成长空间极大，且有实战落地机会。
技术前沿前沿/新兴技术
技术栈多模态大模型、视觉Agent、VLM、CLIP、CogVLM、Qwen-VL、LLaVA、RLHF、SFT、RAG、向量数据库、PyTorch、TensorFlow
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，大厂现场办公模式，工作强度可能较大。
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
70中等
AI行业高速增长，多模态技术应用广泛，但平安具体业务场景社会影响力中性。
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