中国平安
知识工程架构师
知识工程架构师
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
本科
软件工程
分布式系统
RAG
微服务
知识图谱
向量数据库
GraphRAG
大模型
Kag
AI 估算 · 40k–60k
深圳资深架构师，平安大厂，AI前沿技术，薪资竞争力强。
职位详情
关于这个职位
该职位是平安集团知识工程平台的核心架构师，负责从数据采集到服务化的全链路技术方案设计，涉及高性能文档解析、向量化处理、多模态索引引擎等
你将与算法团队紧密合作，将NLP和大模型成果工程化部署，解决海量数据检索性能瓶颈
适合有深厚AI系统架构经验、追求技术挑战的资深工程师
最低要求
本科及以上学历
AI相关专业优先
具有很强的编程能力，熟练掌握分布式系统原理、微服务、容器化、消息队列、缓存、负载均衡等技术与常见中间件
具有AI系统设计能力
熟悉向量数据库、搜索引擎ES的原理及使用
熟悉常见AI算法相关原理，特别是大模型技术原理
从事AI系统开发相关经验5年以上，拥有从0到1主导或深度参与大型AI平台构建的经验
具备强烈的产品意识和平台化思维，能够从业务需求中抽象出通用平台能力，并设计出优雅的架构解决方案
工作职责
平台架构设计与实现：主导知识工程平台的整体架构设计，包括数据采集、解析、抽取、向量化、存储到服务化的全链路技术方案
确保系统具备高可用、高并发、可扩展及易维护的特性
高性能组件研发：设计与开发平台核心组件，如高性能文档解析服务、向量化处理流水线、多模态数据索引引擎，并集成优化各类向量数据库（如Milvus、ElasticSearch）与知识图谱数据库
系统集成与优化：负责将算法团队产出的模型（如实体识别、关系抽取、Embedding模型）进行工程化封装、服务化部署与性能优化
解决模型推理过程中的延迟、吞吐量及资源消耗等瓶颈问题
技术选型与攻坚：评估并引入适合的技术栈与中间件，主导技术难题攻关，例如解决海量向量相似度检索的性能瓶颈、设计分布式缓存机制、实现复杂查询的路由策略等
跨团队协作：与算法专家、产品经理及业务团队紧密沟通，深刻理解业务需求与算法逻辑，设计并落地能够高效支撑知识构建（如GrapRAG、KAG）与应用（如智能检索、问答）的技术架构
规范制定与团队赋能：制定团队开发规范、技术文档标准，并通过代码评审、技术分享等方式提升整体团队的技术能力
优先资格
熟悉知识图谱原理、RAG/GraphRAG/KAG原理、模型训练及推理流程优先
有主导设计并交付中大型知识管理、知识图谱、知识工程系统落地成功经验优先
有与算法工程师、AI产品经理合作共同落地AI系统的经验
AI 洞察
优缺点分析
优点
- 站在AI技术前沿，深度参与知识工程与LLM落地，技能积累扎实
- 平安集团平台实力雄厚，项目规模大，能锻炼复杂系统设计能力
- 跨团队协作机会多，与算法、产品紧密配合，拓宽视野
- 知识工程领域迭代快，需要持续学习新技术
缺点 / 挑战
- 技术复杂度高，需兼顾高性能、高可用与可扩展性，挑战较大
- 工作强度可能较高，涉及攻坚克难和紧急问题解决
- 适合5年以上经验、热爱技术挑战、有AI系统架构经验的资深工程师，尤其是对知识图谱和RAG有浓厚兴趣的候选人
角色解读
- 纵向发展：成为知识工程领域技术专家或架构师
- 横向发展：转向AI平台架构、大数据架构或技术管理岗位
- 行业延伸：在金融科技领域深耕，向CTO或首席架构师迈进
- 主导知识工程平台的架构设计，覆盖从数据采集、处理到服务化的全链路
- 研发高性能文档解析、向量化流水线、多模态索引引擎等核心组件
- 将算法模型进行工程化封装与部署，优化推理延迟和资源消耗
- 解决海量向量检索、分布式缓存等性能瓶颈，并制定技术规范
- 精通分布式系统、微服务、容器化、消息队列等中间件
- 深入理解向量数据库（Milvus、ES）及搜索引擎原理
- 熟悉大模型、RAG、知识图谱等AI技术栈
- 具备AI系统架构设计能力和产品化思维
申请策略
- 关注平安科技的战略方向，了解其在金融知识图谱领域的应用
- 准备一个完整的技术方案案例，展示架构设计与问题解决能力
- 突出大规模AI平台（从0到1）架构设计经验
- 强调自己在分布式系统、向量数据库、大模型工程化方面的实战成果
- 列出具体性能优化案例（如降低延迟、提升吞吐量）
- 深入学习GraphRAG、KAG等前沿知识工程框架
- 补充知识图谱数据库（如Neo4j、JanusGraph）的实际使用经验
面试指南
- 面对架构设计题：先明确输入输出，分模块阐述，突出选型理由和性能考量
- 面对优化题：量化瓶颈，给出具体方案（如缓存、异步、批处理），并说明 trade-off
- 面对原理题：清晰定义概念，结合实际项目经验，展现深度理解
- 请设计一个支持海量文档向量化检索的知识工程平台架构
- 如何优化大模型推理服务的延迟和成本？
- 解释RAG和GraphRAG的原理及适用场景
- 你在之前项目中如何解决分布式缓存一致性问题？
- 如何看待知识图谱与大模型的结合？
匹配度报告
68
综合匹配度
大厂技术岗，前沿AI知识工程，高成长高挑战，WLB一般。
适合人群
适合追求技术成长、愿意承担高强度工作的资深架构师。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展90
工作生活40
使命价值65
薪资福利匹配
75中等
平安作为上市大厂，薪资和福利通常具有竞争力，但JD未明确薪资范围，无法直接判断。
薪资信号未披露（AI估算：40K-60K/月）
成长发展匹配
90较高
职位涉及前沿的AI和知识工程技术栈，有技术分享和规范制定，成长空间大。
技术前沿前沿/新兴技术
技术栈分布式系统、微服务、容器化、知识图谱、RAG、GraphRAG、KAG、向量数据库、Milvus、ElasticSearch、大模型
成长机会技术分享
业务类型ambiguous
工作生活匹配
40较低
JD未提及远程或弹性工作，涉及攻坚任务，工作强度可能较高。
工作模式未明确
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
65中等
知识工程在金融领域有重要应用，但JD未突出社会使命感，行业属稳定增长。
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