东方财富
服务端开发工程师-AI应用开发方向（南京）-26届春招
服务端开发工程师-AI应用开发方向（南京）-26届春招
发布于 大约 2 个月前普通员工/个人贡献者
南京市
无经验要求
全职员工
仅现场办公
本科
软件工程
RAG
GO
LlamaIndex
Prompt Engineering
AutoGen
AI 估算 · 15k–25k
AI应用开发岗位薪资较高，东方财富为知名金融科技公司，南京地区应届生薪资有竞争力。
职位详情
关于这个职位
该职位是东方财富面向26届毕业生的春招岗位，专注于AI驱动的金融科技中台系统建设
你将参与大模型、多智能体架构的研发，推动AI在金融服务场景的落地，涉及Prompt工程、RAG、Tool Calling等前沿技术
适合对AI应用开发有热情、希望将技术应用于金融领域的应届生
最低要求
本科及以上学历，计算机科学、软件工程、人工智能或金融工程相关专业优先，熟悉金融科技领域知识者更佳
掌握Python/Java/Go/C++等编程语言开发，具备扎实的算法与数据结构基础
了解Agent系统开发，熟悉LangChain/LLamaIndex/AutoGen等框架及其实现原理，能够设计适用于高可用、高扩展性的大模型/Agent工程架构
熟悉Prompt工程、RAG（检索增强生成）、Tool Calling（工具调用）、Context Engineering（上下文工程）等AI应用关键技术
能够进行跨系统的工具集成，掌握OpenAPI、RPC、MCP等协议实现方案
工作职责
参与金融科技核心中台系统建设，聚焦AI驱动的智能服务创新，研发大模型、多智能体（Multi-Agent）架构赋能的智能化应用，推动前沿AI产品形态在金融服务场景的落地与应用，提升金融服务效率与体验
负责中后台系统的AI需求分析、技术方案设计与核心模块开发，完成服务端功能的设计、编码、测试及性能优化，保障高并发、低延迟、高可用的金融级系统质量
探索大模型在金融场景下的关键技术应用，包括Prompt工程、RAG（检索增强生成）、Tool Calling、上下文编排、模型服务化与智能体调度架构，推动AI能力在数据处理、风险控制、运营提效等环节的深度落地
完成公司交办的其他工作
AI 洞察
优缺点分析
优点
- 东方财富是金融科技头部公司，平台大、资源丰富，能接触真实金融业务场景
- 岗位聚焦AI前沿技术（大模型、Agent），技术积累价值高，市场竞争力强
- 南京作为新一线城市，生活成本相对较低，且公司提供有竞争力的薪酬福利
- AI技术迭代快，需要持续学习，保持技术敏感度
- 作为校招岗位，可能面临激烈的竞争，需要扎实的技术基础和项目经验
- 适合对AI应用开发有浓厚兴趣、具备较强编程能力和学习能力，希望将技术应用于金融领域的应届毕业生
缺点 / 挑战
- 金融行业对系统稳定性、安全性要求极高，工作压力较大，需要严谨细致
角色解读
- 可向AI应用架构师或技术专家方向发展，深入大模型与金融场景结合
- 也可转向金融科技产品经理或AI项目经理，利用技术背景推动业务创新
- 公司内部有完善的晋升通道，表现优秀可晋升为团队技术骨干或管理岗位
- 参与金融科技中台系统建设，研发大模型和多智能体架构的智能化应用，推动AI在金融服务场景落地
- 负责AI需求分析、技术方案设计与核心模块开发，完成服务端功能的设计、编码、测试及性能优化
- 探索大模型关键技术应用，包括Prompt工程、RAG、Tool Calling等，提升数据处理、风控、运营效率
- 扎实的编程能力，掌握Python/Java/Go/C++之一，具备算法与数据结构基础
- 了解Agent系统开发，熟悉LangChain、LLamaIndex、AutoGen等框架
- 熟悉Prompt工程、RAG、Tool Calling等AI应用关键技术，以及OpenAPI、RPC等协议
申请策略
- 关注东方财富的金融科技战略和产品动态，在面试中展现对公司的了解
- 提前准备一个完整的AI应用项目案例，能够清晰阐述技术选型、实现过程和效果
- 突出AI相关项目经验，如大模型应用、RAG系统、Agent开发等，展示技术深度
- 强调编程能力，列出熟练掌握的语言及框架，并附上GitHub或项目链接
- 如果有金融科技相关背景或课程项目，务必提及，体现行业匹配度
- 系统学习LangChain、AutoGen等Agent框架，动手搭建一个简单的Agent应用
- 深入理解RAG原理，实践向量数据库（如FAISS、Milvus）和检索技术
- 补充金融基础知识，了解金融科技常见场景（如风控、量化、智能客服）
面试指南
- 对于项目介绍类问题，采用STAR法则：背景、任务、行动、结果，突出技术难点和解决方案
- 对于技术原理问题，先给出定义，再结合实际应用场景说明，最后可补充优化方向
- 对于系统设计问题，从需求分析、架构选型、关键组件、容错机制等方面展开
- 请介绍一个你使用大模型或Agent框架的项目，包括技术选型和遇到的挑战
- 解释RAG的工作原理，以及如何优化检索质量
- 如何设计一个高可用的Agent系统？请谈谈你的架构思路
- 在金融场景中，AI应用需要特别注意哪些问题？
- 请用Python实现一个简单的工具调用（Tool Calling）示例
匹配度报告
71
综合匹配度
金融科技大厂，AI前沿技术栈，薪资有竞争力，但WLB一般。
适合人群
最适合追求技术成长和职业发展的求职者，对工作生活平衡要求不高。
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50
使命价值70
薪资福利匹配
75中等
薪资水平有竞争力，但JD未明确福利，补偿性动机满足程度较好。
薪资信号未披露（AI估算：15K-25K/月）
成长发展匹配
90较高
岗位聚焦前沿AI技术，成长空间大，发展性动机满足程度很高。
技术前沿前沿/新兴技术
技术栈Python、Java、Go、C++、LangChain、LLamaIndex、AutoGen、Prompt Engineering、RAG、Agent、OpenAPI、RPC、MCP
业务类型profit_center
工作生活匹配
50较低
JD未提及工作模式与WLB，金融科技行业通常工作强度较大，生活化动机满足有限。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
金融科技行业稳定且有社会价值，但JD未强调使命感，意义感动机满足中等。
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