德勤
Senior Analyst (大模型算法) - CTO- GDC -Chongqing税务与商务咨询
Senior Analyst (大模型算法) - CTO- GDC -Chongqing税务与商务咨询
发布于 大约 14 小时前普通员工/个人贡献者
重庆市
中级经验
全职员工
仅现场办公
本科
NLP
PyTorch
RAG
多模态
大模型
AI 估算 · 15k–25k
重庆德勤GDC，大模型热门但咨询业薪资中等偏下，考虑Senior级别，月薪15k-25k合理。
职位详情
关于这个职位
该职位是德勤CTO全球交付中心（GDC）的Senior Analyst，专注于大模型算法研发
你将负责多模态智能体（Agent）的全链路开发，包括Agent运行系统、RAG架构优化、输出安全护栏等，并推动技术产品化落地
适合有NLP/大模型经验、热爱前沿技术、希望在咨询业深耕的算法工程师
最低要求
计算机、数学、统计学等相关专业本科及以上学历，1年以上大模型应用或Agent开发与落地经验，2年自然语言处理算法优先
对NLP与深度学习有系统深入研究，在对话/问答系统、知识图谱、推荐系统等至少一个领域有真实工程落地经验
对多模态大模型有一定实践认知
精通大模型框架和组件，包括Dify、Langchain、RAG，深刻理解Agent推理-行动循环（ReAct）、工具调用（Function Calling）及MCP/A2A等协议
有Skills抽象或插件生态设计经验者优先，具备模型输出约束与稳定系统工程经验者优先
在RAG方向有深入实践，掌握向量数据库（Milvus/Pinecone/Weaviate等）、检索增强策略，能独立完成检索链路的设计与端到端优化
精通Python、Java、Node.js任一语言，精通Pytorch、TF等深度学习框架，熟悉Linux
能根据业务特点，针对性进行文本语料的标注积累，构建重点领域的核心竞争力
出色的技术视野、思维，良好的沟通能力，能够根据业务特点制定具备行业竞争力的技术发展路线，以技术支撑产品力提升
工作职责
多模态智能体研发：负责基于业务场景的多模态大模型 Agent 全链路研发，设计具备复杂推理、规划与工具使用能力的智能体，推动技术方案的产品化落地
Agent 运行系统与技能体系构建：设计并实现 Agent 层的核心运行环境，包含标准化的 Skills 体系（工具调用、代码执行、知识检索等可复用模块）、多智能体协作编排，以及上下文管理策略，确保 Agent 在复杂场景下稳定、可控地执行长期任务
输出约束与安全护栏设计：构建模型输出的稳定性与可控性机制，包括结构化输出（JSON Mode）、受控解码、内容安全护栏（Guardrails）及输出校验管道，保证 Agent 输出格式严格可靠、逻辑边界受控、行为安全合规
RAG 架构演进与优化：搭建并持续优化 RAG 体系，引入 Agentic RAG、混合检索 等新范式，结合查询重写、重排序等技术，解决长尾知识与多跳推理难题，并负责产品策略的算法侧实现
评估反馈闭环建设：搭建自动化评估与回归验证管线，建立 Agent 输出质量的持续监控和反馈闭环机制，支撑模型与系统的快速迭代
跨团队协作与应用落地：协同业务方与产品经理，针对不同场景设计端到端 Agent 产品方案，推动技术到用户价值的快速转化
技术前瞻：跟踪大模型、多模态、记忆机制、长上下文等前沿方向，建设以用户反馈为核心的语料闭环，沉淀领域核心竞争力
优先资格
年自然语言处理算法优先
有Skills抽象或插件生态设计经验者优先
具备模型输出约束与稳定系统工程经验者优先
AI 洞察
优缺点分析
优点
- 前沿技术栈：深入大模型、Agent、RAG等热门方向，技术成长快
- 平台优势：德勤作为顶级咨询公司，项目资源丰富，可积累跨行业经验
- 工作内容创新：涉及多模态、Agent系统设计等前沿探索，有较多自主技术决策空间
- 技术要求全面：需要同时掌握NLP、工程、Agent框架等多个领域，学习曲线陡峭
- 非核心研发部门：GDC为全球交付中心，相比总部创新自由度可能受限
- 适合对Agent、大模型有浓厚热情，有较强自驱力和工程能力的算法工程师
- 希望在大平台积累经验、同时保持技术前沿敏锐度的求职者
缺点 / 挑战
- 咨询行业节奏：可能面临多项目并行和客户交付压力，工作强度较高
角色解读
- 技术路线：从算法工程师成长为高级专家，聚焦大模型Agent方向，成为架构师或技术负责人
- 管理路线：积累业务理解后，可转型为技术经理带领团队，或进入咨询行业做技术解决方案专家
- 行业路线：德勤平台可接触不同行业场景，未来可向金融、税务等垂直领域的大模型专家发展
- 负责多模态大模型Agent的全链路研发，包括推理、规划与工具调用能力的设计与实现
- 构建Agent运行环境，设计标准化Skills体系、多智能体协作编排及上下文管理策略
- 搭建RAG架构并持续优化，引入Agentic RAG、混合检索等技术解决长尾知识难题
- 建立自动化评估管线与输出安全护栏，确保Agent输出的稳定性与合规性
- 精通NLP与深度学习，有对话/问答系统、知识图谱等落地经验
- 熟练掌握LangChain、Dify、RAG框架及向量数据库（如Milvus）
- 精通Python/Java/Node.js，熟悉PyTorch/TensorFlow和Linux环境
- 有Agent开发经验，理解ReAct、Function Calling等协议，具备输出约束工程能力
申请策略
- 关注德勤税务与商务咨询部门的业务背景，思考大模型如何具体赋能税务场景，在面试中体现业务理解
- 准备一个完整的Agent项目案例，从设计到落地，展示你的系统思维和工程能力
- 突出Agent相关项目经验，特别是多智能体协作、工具调用、RAG优化等实践细节
- 强调对LangChain、Dify等框架的深入使用和定制化开发经历
- 展示NLP落地成果，如对话系统、知识图谱项目，用数据量化效果
- 提及安全约束、输出控制等工程经验，体现对稳定性的重视
- 补充Agent协议（MCP/A2A）和Skills抽象设计知识，可看相关论文和开源项目
- 复习向量数据库（Milvus）的深度使用和检索策略优化
面试指南
- STAR法则：描述情境、任务、行动、结果，突出技术难点和你的贡献
- 对比不同方案：展示技术选型思考，例如为什么选某种向量数据库或Agent框架
- 强调系统思维：不仅讲算法，还讲工程化、稳定性、可维护性
- 请描述你设计过的一个Agent系统，包括其推理循环、工具调用机制和安全性保障
- RAG中如何处理长尾知识和多跳推理？你用过哪些检索增强策略？
- 如何保证大模型输出的结构化和可控性？请举例说明JSON Mode和Guardrails的实现
- 你对多模态大模型有哪些了解？如果有视觉输入，Agent如何整合多模态信息？
- 在团队中如何与业务方协作推动技术产品化？请分享一个跨团队合作的例子
匹配度报告
60
综合匹配度
德勤GDC大模型算法岗，技术前沿、平台稳定，薪资未明，WLB一般。
适合人群
该职位最适合发展性动机强的求职者，渴望前沿技术成长，能接受一定工作强度，对WLB要求不苛刻。
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40
使命价值60
薪资福利匹配
50较低
薪资未披露，但重庆生活成本较低，德勤平台稳定，福利可能中规中矩。总体补偿性一般。
薪资信号未披露（AI估算：15K-25K/月）
成长发展匹配
90较高
技术栈前沿（大模型、Agent、RAG），涉及多模态和系统设计，成长空间大，但未明确提及晋升通道。
技术前沿前沿/新兴技术
技术栈大模型、Agent、RAG、多模态、LangChain、Dify、Milvus、PyTorch
业务类型ambiguous
工作生活匹配
40较低
未提及远程或弹性工作，德勤GDC可能为现场办公，重庆市区办公位置未明确，WLB信号缺失。
工作模式仅现场办公
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
大模型赛道高速增长，德勤作为咨询巨头有一定行业影响力，但职位侧重内部交付，社会影响力中性。
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