中国平安
算法工程师-语音NLP/大模型
算法工程师-语音NLP/大模型
发布于 3 天前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
NLP
RAG
LLM
SFT
对话系统
大模型
vLLM
AI 估算 · 25k–45k
深圳、大厂、硕士、NLP算法岗，技术难度高且前沿，薪资竞争力强。
职位详情
关于这个职位
该职位聚焦于自然语言处理与语音技术，核心是利用大模型和 Agent 技术构建智能对话系统，应用于催收、客服等金融场景
你将负责文本挖掘、对话生成、语义检索等任务，并跟踪前沿技术落地
适合有扎实 NLP 和大模型全栈经验、渴望在高复杂场景中应用前沿技术的工程师
最低要求
硕士学历以上（特别优秀的可以放宽到本科）
扎实掌握 NLP 与大模型全栈能力，精通 Transformer 架构，能独立负责文本理解、信息抽取、对话生成等场景落地
具备大模型全链路工程经验：预训练、SFT/RL、RAG、Prompt 工程、上下文工程等
熟练使用 Python，具有良好的工程实践能力，熟悉 Linux开发环境，熟悉 vLLM / SGLang 推理加速工具，具备高并发服务部署能力
持续阅读文献，对前沿技术保持跟踪
具有较强自主分析、沟通、学习、解决问题能力
工作职责
负责海量文本挖掘或NLP任务：话术质检、对话摘要、关键信息抽取、语义检索、对话生成、策略推荐
负责催收、客服等场景算法：用户画像、策略推荐、风险预测、意图理解、智能外呼 / 对话
基于 LLM + Agent 构建智能对话，落地 Agent 协同与跨系统自动化闭环
跟踪业界研究成果，将前沿 NLP、大模型技术成果应用于相关场景中，根据实际应用效果不断优化模型算法
优先资格
顶会论文、多模态、对话 / 催收场景经验优先
掌握AI Agent工具调用、规划执行、记忆管理、多智能体协同，有 OpenClaw、AutoGen 等落地经验优先
参与过智能语音或者对话管理类项目，带领过团队完成项目者优先考虑
AI 洞察
优缺点分析
优点
- 前沿技术栈：深度接触LLM、Agent、RAG等最热门技术，实战经验稀缺，提升个人市场价值
- 大平台资源：平安集团数据丰富、算力充足，有大量业务场景验证算法效果，成果易落地
- 成长空间大：公司鼓励技术创新，有顶会论文发表机会，技术氛围浓厚
- 技术难度高：需要同时掌握NLP全栈、大模型全链路和Agent系统，学习曲线陡峭
- 竞争激烈：大厂算法岗位人才众多，需持续保持前沿知识更新和工作产出
- 适合具有扎实NLP基础、对大模型和Agent充满热情、渴望在高复杂度场景中打磨技术的算法工程师
缺点 / 挑战
- 业务压力大：催收、客服场景对模型实时性和准确率要求高，需快速迭代优化
角色解读
- 技术纵深：成为大模型和NLP领域专家，深入对话系统和Agent架构，主导核心技术攻关
- 管理方向：积累项目经验后，可带领算法团队，负责算法策略设计与业务落地
- 跨领域发展：结合金融业务，转型AI产品经理或解决方案架构师，推动AI在金融场景的规模化应用
- 负责海量文本挖掘和NLP任务，包括话术质检、对话摘要、关键信息抽取等，提升对话系统质量
- 基于大模型和Agent技术构建智能对话系统，应用于催收、客服等场景，实现自动化闭环
- 持续跟踪业界最新NLP和大模型研究成果，探索在金融场景中的落地应用
- 精通Transformer架构和NLP全栈能力，能独立负责文本理解、信息抽取、对话生成等任务
- 具备大模型全链路工程经验，包括预训练、SFT/RL、RAG、Prompt工程等，并熟练使用vLLM/SGLang等推理加速工具
- 掌握AI Agent核心能力，如工具调用、规划执行、多智能体协同，并有实际落地经验优先
申请策略
- 提前了解平安金融业务场景（如催收、客服），思考如何用大模型解决实际问题，在面试中展示业务洞察
- 突出NLP项目经验，特别是对话系统、文本生成、信息抽取等方向的实际案例
- 详细描述大模型全链路参与经历，如预训练、微调、RAG等，并注明使用的框架和效果
- 如有Agent相关项目（如AutoGen、LangChain等），务必单独列出，并说明实现细节
- 补强Agent相关技术：学习AutoGen、CrewAI等框架，动手搭建一个多Agent协作demo
- 深入理解大模型推理优化：熟悉vLLM、SGLang等工具，掌握高并发服务部署经验
面试指南
- STAR法则：针对项目类问题，清晰说明情境、任务、行动和结果，突出你的贡献和量化指标
- 技术对比：对于原理类问题，先给出核心定义，再对比不同方法的优缺点，最后结合实际应用场景说明选择
- 请解释Transformer的self-attention机制，并比较与LSTM的优劣
- 你如何设计和优化一个RAG系统？请举例说明检索、排序、生成各环节的细节
- 描述一个你实际参与的大模型微调项目，包括数据准备、训练策略、效果评估等
- 谈谈你对AI Agent的理解，如何规划Agent的思维链？有没有实际落地经验？
- 在高并发场景下，如何优化大模型推理的延迟和吞吐量？
- 复习Transformer、BERT、GPT系列核心原理，并熟悉当前主流大模型（如LLaMA、Qwen）的特点
匹配度报告
66
综合匹配度
大厂核心算法岗，前沿技术栈，薪资预期高，但工作强度可能较大。
适合人群
适合追求技术成长和职业发展，对工作生活平衡要求不苛刻的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展95
工作生活45
使命价值60
薪资福利匹配
65中等
薪资未明确，但大厂通常提供有竞争力的薪酬和福利，稳定性高。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
95较高
技术栈前沿（大模型、Agent），成长空间大，公司鼓励创新。
技术前沿前沿/新兴技术
技术栈NLP、大模型、Transformer、LLM、Agent、RAG、SFT、vLLM
业务类型profit_center
工作生活匹配
45较低
未提及远程或弹性办公，可能要求现场办公，且业务压力较大。
工作模式未明确
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
金融科技行业稳定，但工作直接社会意义有限。
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