算法工程师

优缺点分析

角色解读

• 技术深度发展：成为大模型和AI Agent领域的专家，主导核心技术方案
• 管理方向：带领团队负责健康管理平台的整体算法架构，晋升为技术Leader
• 业务融合：结合保险医疗场景，转型为AI+行业的解决方案专家
• 设计和开发健康记忆智能体，基于LLM和向量数据库实现个人健康数据的存储与提炼
• 管理外部数据API，保障数据质量和接口性能，推动智能体在业务侧落地
• 追踪RAG、Agent等前沿技术，优化Prompt Engineering和Fine-tuning方案，提升模型准确率
• 参与系统开发与部署，支持高并发低延迟，编写技术文档和代码评审
• 精通大模型核心技术，有实际落地经验，掌握RAG、Agent、Fine-tuning等框架
• 扎实的系统架构能力，熟练Python及Skills/MCP/CLI等技术栈，具备系统部署运维经验
• 独立解决问题能力，能应对复杂技术挑战，擅长跨团队沟通

申请策略

• 在简历和面试中展示对健康管理业务场景的理解，体现业务导向思维
• 提前了解平安集团在健康生态的战略布局，展现对公司的兴趣
• 突出大模型落地项目经验，特别是RAG、Agent相关实际案例
• 强调系统架构能力，如设计过API、微服务、高并发系统
• 展示Python及相关工具链（Skills、MCP、CLI）的使用经验
• 如有保险或医疗AI项目，务必突出
• 补充学习RAG和Agent相关框架（如LangChain、LlamaIndex）
• 熟悉Prompt Engineering和Fine-tuning的实践技巧

面试指南

• STAR法则：描述情境、任务、行动、结果，突出技术难点和解决思路
• 对比分析法：对RAG与Fine-tuning等方案进行优劣势对比，给出选择依据
• 架构思维：从系统整体出发，考虑性能、可扩展性、可维护性
• 请详细描述一个大模型落地项目的技术架构和关键挑战
• 如何设计一个长上下文的健康记忆智能体？
• RAG和Fine-tuning分别适用于哪些场景？如何选择？
• 如何保障高并发下智能体的低延迟响应？
• 如何与业务团队协作，将技术方案转化为业务价值？