中国平安
算法工程师
算法工程师
发布于 大约 21 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
硕士
深度学习
NLP
PyTorch
RAG
自然语言处理
TensorFlow
对话系统
大模型
LangGraph
AI 估算 · 20k–35k
金融科技算法岗，NLP大模型方向热门，硕士+2年经验，薪资有竞争力，预计月薪2-3.5万。
职位详情
关于这个职位
该职位聚焦自然语言处理与大模型技术，负责金融场景下智能对话系统、文本理解等算法研发与优化
你将参与意图识别、实体抽取、对话摘要等NLP任务，并涉及大模型部署、微调及RAG系统开发，推动前沿AI技术在金融业务中落地
最低要求
熟悉nlp领域常见下游任务，包括但不限于意图识别，实体抽取，对话摘要，情感分类等
掌握nlp常见算法模型，包括传统语言模型，深度学习，预训练模型等，对Qwen/ChatGLM/BERT/GPT等模型的使用和理解有较深入的探究
深度参与nlp工程项目，对模型算法的开发、测试和部署有实际经验，具有对话系统工作经验尤佳，包括但不限于对话系统的各个模块
代码逻辑清晰，熟悉常见的数据结构和算法，熟练掌握python等编程语言中的一种或多种,熟练掌握pandas等数据分析工具
对于常见的深度学习框架PyTorch/TensorFlow等，熟练使用至少一种
具备金融行业项目经验者优先
工作职责
计算机、数学、统计等相关专业，硕士及以上学历
熟悉并熟练应用常用NLP算法，熟悉生成式大模型，有2年及以上相关经历
熟练掌握Python，熟悉Linux环境，具备扎实的开发和调试能力，熟悉深度学习技术，有基于Tensorflow/Keras/Pytorch等研发深度学习算法经验
有参与过大模型的部署、SFT、RL和Lora微调经历的优先,参与过RAG、LangGraph问答系统相关开发和部署经历的优先
逻辑清晰，善于思考和总结，能够快速响应，积极完成任务
具有良好的团队和沟通能力
优先资格
有参与过大模型的部署、SFT、RL和Lora微调经历的优先
参与过RAG、LangGraph问答系统相关开发和部署经历的优先
具备金融行业项目经验者优先
AI 洞察
优缺点分析
- 紧跟大模型技术前沿，能积累生成式AI、对话系统等热门领域经验，提升个人市场价值
- 中国平安作为金融科技巨头，资源丰富，项目落地场景真实，简历含金量高
- 上海作为一线城市，算法岗位薪资和福利有竞争力，且团队专业氛围浓厚
- 要求同时掌握NLP、大模型、工程部署等多方面技能，学习曲线较陡
- 金融场景对算法精度和稳定性要求高，可能面临业务压力与快速迭代需求
- 竞争激烈，需持续学习最新论文和技术，保持技术敏锐度
- 适合有2年以上NLP经验、对大模型和对话系统充满热情、希望在金融科技领域深耕的算法工程师
角色解读
- 技术方向：可向NLP专家、大模型架构师或AI科学家发展，深入底层模型优化与创新
- 业务方向：结合金融业务，成为AI+金融的解决方案专家，主导智能产品设计
- 管理方向：逐步晋升为技术负责人，带领团队完成复杂项目，向技术总监发展
- 负责金融场景下NLP算法的研发，包括意图识别、实体抽取、对话摘要等任务
- 参与生成式大模型的部署、微调（SFT、RL、Lora）和优化，提升模型在业务中的效果
- 开发基于RAG和LangGraph的问答系统，构建智能对话交互能力
- 与团队协作，推动算法从研究到产品落地的全流程
- 扎实的NLP理论基础，熟悉传统语言模型、深度学习及预训练模型（如BERT、GPT、Qwen等）
- 熟练使用Python及深度学习框架（PyTorch或TensorFlow），具备模型开发与调试经验
- 熟悉大模型相关技术，包括部署、微调、RAG、LangGraph等，有实际项目经历者优先
- 良好的逻辑思维和问题解决能力，能快速响应业务需求
申请策略
- 关注平安金融科技的业务方向，在申请信中表达对AI+金融应用的理解和兴趣
- 准备一个完整的NLP或大模型项目介绍，涵盖问题、方案、实验和效果，展示工程化能力
- 突出NLP项目经验，特别是对话系统、大模型微调（SFT/RL/Lora）和RAG相关项目
- 展示Python和深度学习框架的使用深度，如PyTorch模型训练、优化和部署经验
- 如果有金融行业项目或论文，重点强调，体现业务理解
- 列出参与的开源项目或技术博客，展示学习能力和技术影响力
- 补充大模型部署和微调的实际操作经验，可使用开源模型（如Qwen、ChatGLM）练习
- 学习LangGraph、LangChain等框架，掌握RAG系统搭建方法
面试指南
- 针对项目介绍：用STAR法则（情境、任务、行动、结果）清晰描述项目背景、个人贡献和量化成果
- 针对技术原理：先给出定义，再结合实际经验说明应用场景，最后对比不同方法的优缺点
- 针对系统设计：从需求分析、技术选型、模块划分、难点解决、评估指标等方面逐步展开
- 请详细介绍一下你参与过的一个NLP项目，包括技术选型、模型结构和最终效果
- 你对生成式大模型的微调方法（如SFT、RLHF、Lora）有什么理解？请举例说明
- 如果要搭建一个金融领域的智能问答系统，你会如何设计整体架构？用到哪些技术（如RAG）？
- 你在使用PyTorch或TensorFlow时遇到过哪些性能问题？如何优化训练和推理速度？
- 你对NLP中的传统模型（如LSTM、CRF）和预训练模型各自的优缺点有什么看法？
匹配度报告
68
综合匹配度
大厂金融科技算法岗，前沿技术栈，薪资中等偏上，成长性强，但WLB一般。
适合人群
该职位最适合追求技术成长、对前沿NLP和大模型有热情的求职者，但需接受现场办公和潜在的工作压力。
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88
工作生活40
使命价值70
薪资福利匹配
75中等
薪资在金融科技领域有竞争力，但未明确具体数额和福利，稳定性较高但灵活性一般。
薪资信号市场水准 (20K-35K/月)
成长发展匹配
88较高
技术栈前沿，涉及大模型、RAG等热门方向，能显著提升个人技术能力，但JD未明确晋升通道。
技术前沿前沿/新兴技术
技术栈NLP、大模型、Python、PyTorch、TensorFlow、深度学习、RAG、LangGraph、Qwen、ChatGLM、BERT、GPT
业务类型ambiguous
工作生活匹配
40较低
仅现场办公，未提及弹性工作，上海通勤压力较大，无WLB相关描述。
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
70中等
金融科技行业增长快，NLP应用能提升金融服务效率，但社会影响力中性。
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