中国平安
算法工程师（Agent方向）
算法工程师（Agent方向）
发布于 大约 21 小时前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
PyTorch
RAG
LLM
大语言模型
NLU
意图识别
向量检索
实体抽取
AI 估算 · 25k–40k
大厂算法岗，大模型经验稀缺，技术前沿，深圳薪资较高，市场竞争充分
职位详情
关于这个职位
该职位负责平安核心AI能力的研发，聚焦NLU、LLM Agent和RAG系统，涉及意图识别、智能对话、检索增强生成等前沿方向
你将参与从模型设计到工程落地的全流程，适合有NLP与大模型经验、渴望挑战复杂技术问题的算法工程师
最低要求
学历与专业背景：计算机科学、人工智能、机器学习、电子工程、数学等相关专业硕士及以上学历
NLP 经验：3年以上自然语言处理相关领域的研发经验，对 NLP 基础理论和常用算法有扎实理解
编程能力：精通 Python，具备优秀的工程实现能力
熟悉至少一种主流深度学习框架，如 PyTorch 或 TensorFlow
大模型经验：熟悉 Transformer、BERT、GPT 等预训练语言模型，并有实际使用和微调（Fine-tuning）大语言模型（如 Llama, GLM, GPT 系列等）的实践经验
综合素质：具备优秀的分析和解决问题能力，良好的团队协作精神和沟通能力，对技术充满热情
工作职责
岗位职责:
核心NLU引擎研发：负责意图识别、实体抽取、情感分析、文本分类等核心NLU任务的算法设计、模型训练与优化
针对特定业务场景，构建高精度、高鲁棒性的NLU模型，并持续迭代提升效果
跟踪NLU领域的最新研究成果，并将其应用于实际业务中
LLM-based Agent构建：设计和开发基于大语言模型的智能体框架，实现复杂的任务规划、推理和工具调用
负责多轮对话管理、上下文理解和状态追踪模块的研发，打造流畅、智能的对话交互体验
探索Agent的自主学习和决策能力，使其能够完成开放域、多步骤的复杂任务
RAG技术应用与优化：设计并实现高效的检索增强生成（RAG）系统，结合向量检索与大语言模型，提升回答的准确性、时效性和可追溯性
负责文档切分、向量化、索引构建以及召回、排序等全链路模块的优化
研究并解决RAG系统中的常见问题，如信息噪音、召回不准、知识冲突等，并有效减少模型幻觉
工程与落地：负责算法模型的工程化部署、性能优化和线上服务的稳定性维护
与产品、工程团队紧密合作，深刻理解业务需求，推动AI技术的快速落地和商业化应用
构建完善的评测体系和数据闭环，驱动模型和系统持续改进
优先资格
专业方向（至少精通一项）：
NLU方向：在意图识别、实体抽取等领域有深入研究和项目经验
Agent方向：对 LangChain、LlamaIndex 等 Agent 框架有深入理解和实践经验，熟悉 ReAct、Tool-use 等 Agent 核心思想
RAG方向：具备完整的 RAG 系统搭建经验，熟悉向量数据库和语义检索技术
AI 洞察
优缺点分析
- 技术栈前沿，涵盖LLM、Agent、RAG等热门方向，有助于保持市场竞争力
- 平安作为金融科技巨头，拥有丰富的业务场景和海量数据，算法落地空间大
- 团队技术氛围浓厚，能接触到业内最新研究成果，并有实际应用机会
- 工作强度可能较高，需同时负责模型研发与工程落地，要求综合能力
- 技术迭代快，需持续学习跟进，对自我驱动力要求高
- 涉及金融业务场景，对模型的准确性和稳定性有极高要求
- 适合有3年以上NLP经验、熟悉大模型且渴望在工业界前沿方向做深度技术落地的算法工程师
角色解读
- 在技术深度上可向NLU/Agent/RAG领域专家发展，成为团队核心技术骨干
- 管理路径上可晋升为算法团队Leader或Tech Lead，带领团队攻克难题
- 横向可拓展到AI产品经理或AI架构师，结合业务推动AI商业化
- 研发NLU核心模型，负责意图识别、实体抽取等任务，提升对话系统的理解能力
- 设计基于LLM的智能体框架，实现任务规划、推理和工具调用，打造复杂对话交互
- 构建RAG系统，优化文档检索与生成链路，减少模型幻觉，提高回答准确性
- 推动算法模型的工程化部署与线上维护，与产品团队协作实现技术落地
- 扎实的NLP理论基础，熟悉意图识别、实体抽取等经典任务及最新方法
- 精通Python及PyTorch/TensorFlow，具备优秀的工程实现和模型调优能力
- 熟悉Transformer、BERT、GPT等预训练模型，有大语言模型微调经验
- 至少精通NLU、Agent或RAG中的一个方向，了解LangChain、向量数据库等工具
申请策略
- 了解平安的金融科技业务方向，思考AI在保险、银行等场景的应用，面试中展现业务理解
- 提前准备一个完整的技术方案介绍，涵盖问题、方法、实验和落地效果
- 突出NLU/Agent/RAG相关项目经验，量化模型效果提升
- 强调大模型微调实践，注明使用的模型、工具及结果指标
- 展示工程能力，包括模型部署、性能优化等实际案例
- 若有相关顶会论文或开源贡献，务必突出
- 系统学习LangChain、LlamaIndex等框架，动手搭建一个简单Agent
- 深入理解RAG各模块（文档分块、向量化、检索、排序），实践优化
面试指南
- 针对项目问题：采用STAR法则（Situation-Task-Action-Result），清晰描述背景、任务、采取的措施及量化结果
- 针对设计问题：先明确需求，然后分模块阐述（数据、模型、推理、工程），最后总结关键挑战和解决方案
- 请详细介绍一下你之前做的NLU项目，包括意图识别模型设计和效果
- 如何微调一个大语言模型用于特定任务？请说明关键步骤和注意事项
- 设计一个基于LLM的客服Agent，请画出架构并说明任务规划逻辑
- RAG系统中如何解决召回不准确和知识冲突的问题？
- 如何处理大模型推理速度慢的问题，有哪些优化手段？
- 复习Transformer、BERT、GPT等模型原理，掌握注意力机制和预训练流程
匹配度报告
66
综合匹配度
大厂算法岗，前沿Agent/RAG方向，技术成长快，但加班可能较多
适合人群
适合重视技术成长、追求前沿AI实践的求职者，对生活工作平衡要求不高。
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60
薪资福利匹配
75中等
大厂薪资待遇较好，但未明确提及福利，补偿性动机满足度中等偏上。
薪资信号未披露 (25K-40K/月)
成长发展匹配
90较高
前沿技术栈（LLM、Agent、RAG）提供了极佳的学习和成长机会，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、NLU、Transformer、BERT、GPT、LangChain、向量检索
业务类型profit_center
工作生活匹配
40较低
仅现场办公，无弹性工作说明，且大厂算法岗通常工作强度较高，生活化动机满足度有限。
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
60中等
金融科技行业稳定，但职位描述未强调社会使命，意义感满足度一般。
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