汇丰
Senior Software Engineer (RAG Backend Developer)
Senior Software Engineer (RAG Backend Developer)
发布于 20 天前普通员工/个人贡献者
广州市
中级经验
全职员工
混合式弹性办公
本科
软件工程
RAG
GO
LLM
CI/CD
Graph Rag
Bm25
AI 估算 · 25k–40k
外企银行技术岗薪资水平中等偏上，广州生活成本适中，RAG属前沿方向有溢价，综合估算月薪25-40K
职位详情
关于这个职位
这是一个高级软件工程师职位，专注于RAG（检索增强生成）后端开发
你将负责构建和优化RAG系统的核心组件，包括检索、排序、上下文构建和答案生成，涉及Graph RAG和agentic search等前沿技术
工作于汇丰广州技术团队，采用混合办公模式，需与AI基础设施、数据平台和安全团队紧密协作
最低要求
Bachelor’s or Master’s degree in Computer Science, Software Engineering, or a related technical discipline.
+ years of backend engineering experience; strong proficiency in at least one mainstream backend stack: Python (FastAPI) or Go.
Familiarity with core RAG components and patterns, including chunking, embeddings, hybrid search, reranking, context window management, citations/attribution, and evaluation.
Practical experience or strong familiarity with containerisation and cloud-native engineering (Docker, Kubernetes, CI/CD). Able to support troubleshooting and performance optimisation tasks with guidance.
Strong communication and collaboration skills, with the ability to deliver under tight timeline.
工作职责
Backend development & delivery for RAG (incl. Graph RAG & agentic search): Contribute to building RAG backend capabilities, including retrieval, re-ranking, context construction, prompt orchestration, and response aggregation. Exposure to Graph RAG patterns (e.g., entity/relation extraction, basic graph traversal) and agentic search concepts (e.g., multi-step retrieval, tool/function calling) is a plus.
Build pipelines for multi-modal and multi-type data (documents, emails, wikis, images, tables, logs, structured sources), including extraction/OCR, chunking, enrichment, embedding, and incremental re-indexing with rollback.
Retrieval, ranking & graph reasoning optimisation: Implement hybrid retrieval (BM25/vector/structured filters), multi-stage recall, reranking (cross-encoder/LLM), deduplication/diversity controls, and graph-based retrieval strategies to improve relevance, explainability, and traceability.
Grounded, supported answer generation: Build generation workflows that produce grounded answers with explicit support (citations, quoted evidence snippets, and source metadata), including answer structuring, confidence/scoring signals, refusal/insufficient-evidence handling, and traceable “why this answer” outputs for auditability.
Security & compliance: Implement and maintain security controls such as access control (RBAC/ABAC), data classification/masking, audit logging, encryption, and secrets management. Work with senior engineers and compliance partners to ensure retrieval and generation flows follow bank-grade requirements.
Data governance & lineage: Support data ownership, classification, retention, and access policies in day-to-day development. Help maintain metadata and basic lineage/provenance (e.g., citations/attribution) so outputs are grounded in approved sources.
Quality evaluation & continuous improvement: Establish offline/online evaluation (groundedness, faithfulness, citation coverage, latency), enabling A/B testing and regression validation.
Cross-team collaboration: Partner with AI Infra, data platforms, information security, and product teams to land RAG capabilities in multiple systems and continuously evolve the platform.
优先资格
Exposure to Graph RAG patterns (e.g., entity/relation extraction, basic graph traversal) and agentic search concepts (e.g., multi-step retrieval, tool/function calling) is a plus.
AI 洞察
优缺点分析
优点
- 前沿技术栈：RAG、Graph RAG、Agentic搜索，属于AI热门方向，积累稀缺经验
- 大平台稳定：汇丰作为全球银行，提供完善的培训和福利，职业发展路径清晰
- 混合办公模式：灵活度高，平衡工作与生活
- 跨团队协作：与多方合作，拓宽视野，学习企业级AI落地实践
- 银行环境对安全合规要求极高，开发流程需严格遵守，灵活性较低
- 技术栈更新快，需持续学习Graph RAG、Agentic等新概念，保持竞争力
- 跨部门协作多，沟通成本高，需同时满足多团队需求
- 适合3-5年后端经验，对RAG技术有浓厚兴趣，希望在大平台稳定发展并接触前沿AI工程实践的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术深度：从RAG后端向搜索与推荐系统专家发展，掌握AI全栈能力
- 架构广度：参与平台级AI系统设计，晋升为AI架构师或技术负责人
- 管理路径：带领小团队，逐步转向技术管理岗（如Tech Lead）
- 设计和实现RAG系统的后端服务，包括文档检索、排序、上下文构建和答案生成，支持Graph RAG和agentic search
- 构建多模态数据处理管道，处理文档、图片、日志等多种数据源，实现提取、分块、向量化和增量索引
- 优化检索和排序策略，使用混合检索（BM25/向量搜索）和交叉编码器重排序，提升结果相关性和可解释性
- 与安全、数据治理、AI基础设施团队协作，确保系统满足银行级合规要求
- 精通至少一种后端语言（Python/FastAPI或Go），3年以上后端开发经验
- 深入理解RAG技术栈：分块、嵌入、混合检索、重排序、引用来源
- 熟悉容器化和云原生技术（Docker, Kubernetes, CI/CD），能进行性能调优
- 良好的沟通协作能力，能在快节奏中交付
申请策略
- 研究汇丰的AI战略，在面试中表达对金融行业AI落地的理解，展示业务思维
- 准备一个RAG系统设计案例，从需求分析到技术选型再到评估指标，体现系统性思考
- 突出后端开发经验，尤其是Python/FastAPI或Go项目，量化成果（如性能提升、延迟降低）
- 强调任何RAG、搜索、推荐或NLP相关项目经验，包括使用的技术栈（BM25、向量库、LLM等）
- 展示容器化和云原生实践，如Docker编排、K8s部署、CI/CD流水线
- 添加跨团队协作案例，体现沟通和推动能力
- 若缺乏RAG经验，可学习LangChain、LlamaIndex等开源框架，并动手搭建一个完整RAG demo
- 深入理解Graph RAG（如Neo4j、知识图谱）和Agentic搜索（工具调用、多步推理）概念
面试指南
- 问题→解决方案→权衡：先明确问题背景，提出多种方案并比较优缺点，最后说明选择理由和落地效果
- STAR法则：情境、任务、行动、结果，用于行为面试题，突出个人贡献和量化成果
- 技术深度+业务理解：回答技术问题时，同时考虑业务成本、合规要求，体现全局视野
- 描述RAG系统的典型工作流程，如何设计分块策略和索引结构？
- 如何优化混合检索的召回率和排序质量？举例说明重排序方法
- 在生成答案时如何确保准确性和可解释性？如何处理“我不确定”的情况？
- 在银行环境中，如何实现RAG系统的安全合规？你会采取哪些措施？
- 你参与过的最有挑战性的后端项目是什么？如何解决性能瓶颈？
职位点评
76
综合评分
前沿AI技术栈、大平台稳定、混合办公，适合技术驱动型工程师。
更适合这类人
最适合追求技术成长和稳定福利的求职者，对薪资和WLB有一定要求但非极致。
表现最好
成长发展
相对薄弱
使命价值
薪资福利75
成长发展85
工作生活80
使命价值65
薪资福利
75中等
汇丰作为全球银行，薪资福利具有竞争力，且设有年终奖和补充医疗等福利，满足较高补偿性需求，但薪资未明确披露，存在一定不确定性。
薪资信号未披露（AI估算：25K-40K/月）
成长发展
85较高
该岗位涉及RAG、Graph RAG等前沿技术，且汇丰提供持续专业发展机会，技术成长空间大，发展性动机满足度高。
技术前沿前沿/新兴技术
技术栈Python、FastAPI、Go、RAG、Graph RAG、BM25、Vector Search、LLM、Docker、Kubernetes
成长机会continuous professional development
业务类型ambiguous
工作生活
80较高
工作方式为混合办公，地点广州核心区域，有弹性工时，银行一般不鼓励长时间加班，生活化动机较好。
工作模式混合式弹性办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
银行业属于稳定成熟行业，该岗位致力于提升企业AI搜索能力，有一定技术价值，但社会影响力中性，意义感动机一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs