中国平安
模型算法工程师
模型算法工程师
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
PyTorch
RAG
TensorFlow
LangGraph
大模型微调
Qwen
Glm
AI 估算 · 30k–60k
大厂资深算法岗，要求全栈能力和金融背景，薪资竞争力强，月薪3-6万合理。
职位详情
关于这个职位
该职位是平安集团的核心算法岗，负责从0到1设计并落地AI解决方案，涉及大模型、强化学习、智能体开发等前沿技术
你将深入金融业务场景，解决托管产品运营、智能化营销等复杂问题，并主导模型训练与部署
适合具备全栈技术能力和金融业务敏锐度的资深算法工程师
最低要求
必要能力
问题解决与适应性
）拥有极强的逻辑思维与抗压能力，在模糊场景中能快速定位问题本质，并给出可行方案
）对金融业务有敏锐直觉，能快速理解业务逻辑与监管环境
全栈技术能力
）产品思维：具备需求抽象能力，可独立完成产品原型设计与交互规划
）模型能力：熟悉PyTorch、TensorFLow等主流机器学习框架，熟悉GLM、QWEN等主流大模型、强化学习模型等算法原理和优化方法，并了解相关模型微调技术
）智能体开发能力：熟悉LangGraph、Dify等Agent开发框架，熟练掌握Python/Java等语言
）知识工程能力：熟练掌握向量知识库构建分区、集合，具备RAG配套工程开发能力
主人翁精神与推动力
）具备强自驱力，能主动发现业务机会并推动技术实现，在跨团队协作中发挥核心纽带作用
）有从0到1项目经验，能承担技术决策责任并确保结果交付
工作职责
岗位职责:
AI解决方案设计与落地
）深入理解业务场景，针对复杂问题（如托管产品运营、海量资讯分析、智能化营销、同业投融资等）设计并开发AI解决方案
）独立或主导完成大模型、强化学习模型、机器学习模型的研究、训练和部署，构建面向业务领域的AI智能体
全栈技术攻坚
）负责AI智能体、模型微调、知识工程等项目的核心开发，覆盖数据处理、模型构建、系统集成及性能优化
）探索大模型、多模态技术在业务场景的应用，推动技术迭代与业务场景融合
快速响应与问题攻关
对业务痛点与技术挑战能快速定位、拆解并提出高效解决方案，在紧急场景中具备短周期交付能力
跨部门协同与项目推动
）联动业务、风控等部门，推动AI项目从0到1落地，确保技术方案与业务目标高度对齐
）具备主人翁精神，主动推进技术难点攻关与资源协调
优先资格
优先条件
年以上AI算法开发经验，有金融科技、大模型应用等项目背景优先
熟悉金融市场FICC业务，有量化交易，固收投研领域经验者优先
AI 洞察
优缺点分析
优点
- 平台优势：平安集团为跨国巨头，资源丰富，项目落地机会多，简历含金量高
- 技术前沿：涉及大模型、智能体、RAG等最新技术，能持续积累核心竞争力
- 业务价值高：直接参与金融核心业务，技术成果可量化，成就感强
- 技术难度大：要求全栈能力（模型、工程、产品），且需快速学习金融知识
- 竞争激烈：大厂核心岗位，对经验要求高（优先5年+），面试门槛高
缺点 / 挑战
- 工作强度可能较高：JD强调“短周期交付”、“紧急场景”，暗示项目节奏快
- 适合有3年以上AI算法经验、渴望挑战前沿技术、愿意深入金融业务、具备强自驱力和抗压能力的资深工程师
角色解读
- 技术纵深发展：成为大模型/强化学习领域专家，主导核心算法创新
- 技术管理路线：从技术骨干晋升为团队Leader，带领团队攻坚复杂项目
- 业务融合方向：深入金融业务，转型为AI+金融解决方案架构师或产品负责人
- 设计并落地AI解决方案，针对金融业务场景（如托管运营、营销、投融资）开发大模型、强化学习模型
- 主导AI智能体、模型微调、知识工程等核心开发，覆盖数据处理到系统集成全流程
- 快速响应业务痛点，短周期内交付技术方案，并联动业务、风控等部门推动项目从0到1落地
- 扎实的机器学习/深度学习基础，熟悉PyTorch、TensorFlow等框架，掌握大模型（GLM、QWEN）原理及微调技术
- 具备智能体开发能力，熟悉LangGraph、Dify等框架，精通Python/Java
- 知识工程能力：熟练构建向量知识库，掌握RAG配套工程
- 产品思维与金融业务敏感度，能快速理解业务逻辑并抽象需求
申请策略
- 提前研究平安的金融科技布局，在面试中展示对业务场景的理解
- 准备一个完整的项目案例，从问题定义、技术选型到落地效果，体现全栈能力
- 突出大模型或强化学习项目经验，尤其是从0到1落地案例，量化业务效果
- 强调全栈能力：展示模型训练、系统集成、产品设计的完整项目经历
- 如有金融科技背景（量化交易、风控等），务必重点描述
- 体现主人翁精神：列举主动推动项目、跨团队协作的实例
- 补充LangGraph、Dify等Agent框架的实战经验，可做小项目练手
- 深入学习RAG技术，包括向量数据库（如Milvus）、文档分割策略等
面试指南
- STAR法则：描述情境、任务、行动、结果，突出个人贡献和技术难点
- 技术+业务结合：先讲技术方案，再说明如何对齐业务目标，体现产品思维
- 对比分析：在技术选型时，对比不同方案的优劣，展示深度思考
- 请描述一个你主导的大模型微调项目，包括技术选型、数据准备和效果评估
- 如何设计一个面向金融业务的智能体？请从架构、工具链、知识库等方面说明
- 在模糊的业务需求下，你如何快速定位问题并给出技术方案？请举例
- 你如何理解RAG技术？在金融场景中应用RAG有哪些挑战？
- 请解释强化学习在金融领域的应用场景，并设计一个简单的模型
匹配度报告
70
综合匹配度
大厂核心算法岗，前沿技术栈，薪资优厚，但工作强度大，WLB一般。
适合人群
适合追求技术成长和薪资回报、能接受高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利匹配
80较高
薪资水平偏高，大厂福利完善，但JD未明确具体薪资和福利，需面议确认。
薪资信号面议 (30K-60K/月)
成长发展匹配
90较高
技术栈前沿（大模型、智能体），项目从0到1，成长空间大，但JD未提及培训或晋升通道。
技术前沿前沿/新兴技术
技术栈PyTorch、TensorFlow、GLM、QWEN、LangGraph、Dify、RAG、大模型微调、强化学习
业务类型profit_center
工作生活匹配
40较低
仅现场办公，地点深圳，JD含高强度暗示词（短周期交付、紧急场景），WLB可能较差。
工作模式仅现场办公
办公地点市区核心地段
加班情况JD含高强度暗示词
使命价值匹配
70中等
金融科技是高速增长赛道，AI赋能业务有社会价值，但JD未明确使命感。
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