中国平安
AI工程化岗
AI工程化岗
发布于 大约 17 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
NLP
PyTorch
TensorFlow
LLM
Scikit-learn
GPT-4
n8n
上下文工程
Workflow
AI 估算 · 25k–45k
深圳AI工程化岗位，平安大厂，薪资具备竞争力，技能要求前沿，市场供需旺盛。
职位详情
关于这个职位
该职位聚焦大模型与算法模型的工程化应用，通过上下文工程优化、流程编排和定制化开发，最大化现有模型能力以解决业务实际问题，不涉及底层模型训练
适合有算法落地经验、熟悉主流大模型、擅长Python和AI工程化全流程的候选人
最低要求
本科及以上学历，计算机、软件工程、人工智能、统计学等相关专业，2 年及以上应用算法相关工作经验，无强制基础算法研究经验，重点考察算法应用与落地能力，金融科技、互联网行业算法落地经验优先
熟悉机器学习、深度学习、NLP 等基础算法原理，掌握至少一种算法框架（TensorFlow、PyTorch、Scikit-learn），具备模型选型、调优、应用落地的实战经验
精通 Python 编程语言，具备扎实的数据处理、特征工程能力，能独立完成业务场景的算法需求分析、方案设计与落地，有量化算法落地效果的案例
了解全球主流大模型（GPT-4o、Claude 3、Gemini、Llama 3），熟练运用国内主流大模型（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）完成业务场景适配，熟悉 AI 工程化落地全流程，具备强跨团队协作能力
认同 AI 工程化转型理念，具备强逻辑思维、问题解决能力与学习能力，主动探索AI 算法的业务应用场景，推动组织 AI 文化建设
工作职责
聚焦现有大模型与算法模型的工程化应用，深度结合业务场景需求，通过上下文工程优化（精准提示词设计、上下文窗口裁剪与复用、多轮对话逻辑优化）最大化现有模型能力，解决业务实际问题，不涉及模型底层训练与算法创新，仅聚焦模型落地效果提升
负责 AI 应用的编排与流程化落地，熟练运用 n8n、Workflow 编排框架及通用开发工具，完成业务流程的可视化搭建、节点逻辑配置与流程联动，实现模型调用、数据处理、业务接口交互的全流程自动化，降低业务落地门槛
基于代码开发（Code）实现模型应用的定制化开发，编写高效、可复用的业务代码完成模型集成、接口适配、数据解析与结果落地，结合上下文工程技巧优化代码逻辑，保障模型应用与业务系统的无缝对接，提升应用稳定性与易用性
持续优化模型应用效果，基于业务反馈与运行数据，调整流程编排逻辑与代码实现，优化模型调用参数与结果解析规则，解决应用落地中的效果不佳、流程卡顿、数据异常等问题，提升业务转化效率与用户体验
AI 洞察
优缺点分析
优点
- 处于AI大模型应用前沿，积累宝贵的工程化落地经验，技能稀缺度高
- 背靠平安集团，业务场景丰富，应用价值大，稳定性高
- 工作内容聚焦落地而非研究，适合有工程背景且希望快速看到成果的求职者
- 需要快速学习和掌握多种大模型及工具链，技术更新快
- 对业务理解要求高，需将技术有效转化为业务价值，沟通协作频繁
- 大厂内部流程可能较复杂，跨团队协调需耐心
- 适合有2-5年算法工程经验、喜欢动手解决实际问题、对AI应用充满热情的技术人才
缺点 / 挑战
暂无明显挑战项
角色解读
- 深入AI工程化领域，成为大模型落地专家，推动业务智能化升级
- 向技术架构师方向发展，负责AI系统的整体设计与优化
- 也可转向AI产品经理或技术管理方向，结合业务需求规划AI应用
- 负责大模型和算法模型的工程化落地，通过提示词优化、上下文裁剪等技巧提升模型在业务场景中的实际效果
- 使用n8n等编排工具搭建AI工作流，实现模型调用、数据处理与接口交互的自动化
- 编写定制化代码集成模型，优化代码逻辑确保稳定高效，并根据反馈持续调整流程与参数
- 精通Python编程，有扎实的数据处理和特征工程能力
- 熟悉机器学习、深度学习、NLP基础原理，掌握TensorFlow、PyTorch或Scikit-learn之一
- 了解主流大模型（GPT-4o、Claude、Qwen等），具备模型选型与工程化落地经验
- 熟悉n8n、Workflow等编排工具，有AI应用全流程自动化经验
申请策略
- 关注平安的金融科技业务方向，思考AI如何赋能保险、银行等场景，面试时提出见解
- 提前了解平安的AI中台或相关产品，展现对公司的兴趣
- 突出算法落地项目经验，尤其是使用大模型解决实际业务问题的案例
- 强调Python编程能力和数据处理的扎实功底，列出使用的框架和工具（如TensorFlow、n8n）
- 展示量化成果，如效果提升百分比、自动化流程节省的时间等
- 系统学习主流大模型（GPT-4、Claude、Qwen等）的API调用和提示词工程
- 熟悉n8n或类似工作流编排工具，实践搭建一个完整的AI自动化流程
- 复习上下文字段、模型调优等工程技巧，准备常见面试题
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经验，重点突出技术细节和量化成果
- 对于技术问题，先阐述原理，再结合实际案例说明，展现深度思考和解决问题的能力
- 请举例说明你如何优化一个大模型在业务中的效果？用了哪些技术手段？
- 描述一个你用Python实现的算法工程化项目，包括架构设计和遇到的挑战
- 如何评估和选择适合业务场景的大模型？
- 你用过哪些工作流编排工具？请设计一个简单的AI工作流
- 当模型效果不达预期时，你会如何分析和优化？
- 复习提示词工程、上下文窗口优化等知识，准备一个自己实践过的案例
匹配度报告
58
综合匹配度
平安AI工程化岗，前沿技术栈，高成长性，但工作强度可能较大，WLB一般。
适合人群
最适合追求技术成长、希望在大模型工程化领域深耕、对WLB要求不高的发展型求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利50
成长发展90
工作生活30
使命价值60
薪资福利匹配
50较低
薪资未披露，但平安作为大厂通常提供有竞争力的薪酬福利，不过JD未明确提及任何福利或薪资范围，补偿性动机满足程度中等偏低。
薪资信号未披露（AI估算：25K-45K/月）
成长发展匹配
90较高
该职位处于AI大模型工程化前沿，技术栈新，实践机会丰富，个人技能成长空间大，发展性动机得到充分满足。
技术前沿前沿/新兴技术
技术栈Python、TensorFlow、PyTorch、Scikit-learn、LLM、GPT-4o、Claude 3、Qwen、n8n、Workflow
业务类型ambiguous
工作生活匹配
30较低
JD未提及工作方式、弹性办公或WLB相关信息，且大厂通常要求现场办公，生活化动机满足程度很低。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
60中等
AI应用落地能推动业务创新，具有一定社会价值，但未提及具体使命感或行业影响力，意义感动机满足程度中等。
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