中国平安
架构师（AI 方向）
架构师（AI 方向）
发布于 大约 16 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
本科
机器学习
微服务架构
深度学习
NLP
数据挖掘
大模型
AI 估算 · 40k–70k
深圳AI架构师稀缺，平安资金雄厚，技术栈前沿，薪资竞争力强
职位详情
关于这个职位
作为平安AI架构师，你将主导AI领域数据挖掘与分析体系的搭建，融合大模型技术优化数据架构，推动数据洞察转化为业务行动
该职位要求具备扎实的工程架构能力和算法应用经验，适合在金融科技领域深耕的技术专家
最低要求
本科及以上学历，计算机、5 年及以上AI工程或架构相关工作经验，同时具备扎实的工程架构能力和算法应用经验，金融科技、大型科技公司 AI 工程化落地经验优先
精通 Java/Python/Golang 等至少一种编程语言，熟悉微服务架构、分布式系统、容器化部署（Docker、K8s），具备高并发、高可用系统架构设计与落地经验
熟悉机器学习、深度学习、NLP 等基础算法原理，有模型部署、推理优化、算法工程化落地经验，了解全球主流大模型（GPT-4o、Claude 3 、Gemini、Llama 3），熟练掌握国内主流大模型（阿里通义千问 Qwen3.5- Plus/Qwen3/Qwen-Coder、腾讯混元大模型、百度文心一言、字节豆包大模型系列）的部署与调优流程，熟悉阿里云百炼、百度智能云千帆、火山引擎等平台操作优先
熟悉 agentic AI 框架（LangChain、AutoGPT 等）、AI coding 工具的使用与集成，具备 AI 工具链搭建、skill 编写经验，能指导团队落地 AI 工程化相关工作
具备强技术规划能力、问题解决能力与跨团队协作能力
工作职责
主导 AI 领域数据挖掘与分析体系的搭建与落地，聚焦数据价值挖掘与业务应用转化，构建覆盖数据采集、清洗、分析、建模、可视化的全流程数据挖掘技术框架，沉淀标准化分析方法与工具链
负责 AI 业务全链路数据架构规划与优化，涵盖多源数据整合、数据流转、接口设计，结合业务场景深度挖掘数据关联规律，降低数据应用成本，提升数据决策效率与分析结果的可落地性
联动算法与研发团队，将主流大模型（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）及自研算法模型与数据挖掘能力深度融合，解决数据建模、特征提取、分析结果工程化适配等核心问题，推动数据洞察从分析结论转化为业务行动
跟踪数据挖掘、AI 分析前沿技术（如大模型辅助数据分析、智能特征挖掘、分析新算法、可视化交互工具），结合业务特点引入先进技术方案，优化现有数据挖掘流程与架构，推动数据驱动的业务创新与技术迭代
负责 AI 工程化数据挖掘项目技术攻坚，攻克复杂数据场景下的挖掘建模、分析落地核心难题，指导团队开展数据挖掘相关工作，通过技术培训、经验沉淀提升团队整体数据建模、分析解读与业务落地能力
AI 洞察
优缺点分析
- 接触前沿AI技术（大模型、Agent框架），技术视野开阔
- 平安作为金融科技巨头，平台资源丰富，项目规模大
- 数据驱动业务创新，能深度参与AI价值转化
- 技术难度高，需同时精通工程架构和算法应用
- 金融领域数据合规要求严格，系统设计需兼顾安全与效率
- 跨团队协作频繁，沟通成本较高
- 适合有5年以上AI工程化经验、喜欢挑战复杂技术问题、希望在金融科技领域深耕的资深技术专家
角色解读
- 向AI首席架构师或技术总监发展，负责更大规模AI系统的架构规划
- 纵深发展为AI领域专家，专注大模型工程化与数据挖掘技术创新
- 横向拓展至金融科技产品方向，结合业务需求推动AI解决方案落地
- 主导AI数据挖掘与分析体系的架构设计，构建全流程数据挖掘技术框架
- 优化AI业务全链路数据架构，整合多源数据并设计高效数据流转方案
- 将大模型与数据挖掘深度融合，解决特征提取与工程化适配问题
- 跟踪前沿技术，引入先进方案推动数据驱动的业务创新
- 精通Java/Python/Golang等语言，熟悉微服务、分布式系统及容器化部署
- 掌握机器学习、深度学习、NLP算法原理，具备模型部署与推理优化经验
- 熟悉国内外主流大模型部署调优流程，了解Agentic AI框架
- 具备技术规划、问题解决与跨团队协作能力
申请策略
- 了解平安金融科技业务场景，思考AI如何赋能具体业务
- 准备一个技术方案展示你对数据挖掘+大模型结合的理解
- 突出AI工程化落地项目经验，尤其是大模型部署优化案例
- 强调主导过数据挖掘或数据架构类项目的成果，量化性能提升
- 展示跨团队协作与技术领导力的经历
- 补充对国内主流大模型平台（阿里云百炼、百度千帆等）的操作经验
- 学习Agentic AI框架（如LangChain）并尝试搭建工具链
面试指南
- 使用STAR法则描述项目，重点突出架构选型、技术难点和量化成果
- 对于开放性问题，先明确业务场景，再给出技术方案，最后讨论风险与优化
- 请描述你主导的一个AI工程化项目，从架构设计到落地的全过程
- 如何选择并部署大模型来满足业务需求？
- 数据挖掘全流程中如何保证数据质量和模型效果？
- Agentic AI框架在金融场景中可能面临哪些挑战？
- 如何评估和优化高并发数据系统的性能？
- 复习大模型部署与推理优化的常用工具和策略
匹配度报告
69
综合匹配度
大厂AI架构师，前沿技术栈，薪资优厚，但工作地点固定且WLB不确定。
适合人群
最适合重视技术成长和职业发展的求职者，能接受现场办公和较强的工作强度。
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85
工作生活50
使命价值60
薪资福利匹配
80较高
薪资市场竞争力强，大厂福利稳定，但JD未明确具体薪资和福利细节。
薪资信号未披露 (40K-70K/月)
成长发展匹配
85较高
技术栈前沿，涉及大模型和Agent框架，有技术培训与经验沉淀机制，发展空间大。
技术前沿前沿/新兴技术
技术栈Java、Python、Golang、微服务、Docker、Kubernetes、机器学习、深度学习、NLP、大模型、LangChain、AutoGPT
成长机会技术培训
业务类型ambiguous
工作生活匹配
50较低
工作地点深圳，未提及远程或弹性办公，且金融大厂加班文化可能较强。
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
金融科技行业前景好，但社会影响力中性，JD未强调使命意义。
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