创维
算法工程师（创维酷开）
算法工程师（创维酷开）
发布于 6 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Ai Agent
Aigc
Nlp
Pytorch
Rag
分布式系统
大模型
推荐系统
值不值得投
83综合评分
综合评分 83
前沿技术栈（LLM/Agent）+ 2亿用户真实场景 + CEO带教 + 有竞争力的薪酬，技术成长性强但工作生活平衡需自行把握。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
3万
比机器学习工程中位数低
发布情况
新岗位 · 今天发布
市场机会
选择面较广
深圳 · 机器学习工程 · 68 个在招
职位详情
关于这个职位
该职位为创维酷开的算法工程师，负责公司AI智能体相关的技术研发
你将根据兴趣和专长，在大模型推荐、AIGC工程架构、RAG应用、多模态NLP、AI Agent系统或智能体进化算法等六大方向之一进行深耕，将前沿的AI技术应用于超2亿家庭大屏终端用户的真实业务场景中
最低要求
专业背景：计算机科学、人工智能、软件工程、数学、自动化等相关专业硕士及以上学历，985/211/双一流院校毕业
编程能力：扎实的数据结构与算法基础，熟练掌握Python（必备）
熟悉Java、C++、Go中任意一种者加分
理论基础：掌握机器学习、深度学习基础理论，熟悉Transformer架构，了解PyTorch/TensorFlow等主流框架
综合素质：具备优秀的问题分析与拆解能力，对新技术有强烈的好奇心，具备良好的团队协作意识
工作职责
根据兴趣和特长，在以下某一具体方向深耕：
大模型推荐算法（LLM for RecSys）：负责将大模型能力应用于推荐场景，包括用户意图识别、内容标签结构化、推荐理由生成、冷启动优化及排序模型迭代
AIGC工程架构与调度：搭建高并发大模型推理服务平台，负责分布式任务调度、GPU资源管理、推理性能优化（降低延迟、提升吞吐）及多模态内容的标准化封装
Prompt工程与RAG应用：针对特定业务场景进行提示词策略设计与优化，搭建垂直领域知识库，基于RAG（检索增强生成）技术提升生成内容的准确性与个性化
多模态与NLP算法：负责复杂语义理解、多模态内容匹配（图文/视频）、长效记忆构建（Knowledge Graph）及基座大模型的微调（SFT/LoRA/RLHF）
AI Agent（智能体）系统研发：参与构建多智能体（Multi-Agent）协作框架，设计Agentic Workflow、工具调用（Function Calling）机制、任务拆解算法及跨端协同协议
智能体学习与进化算法：研发数字分身的自我优化机制，探索基于反馈的学习算法、知识沉淀与迁移技术，提升智能体在复杂任务中的决策与执行能力
优先资格
大模型应用：有实际的Prompt Engineering经验，或基于LangChain/LlamaIndex开发过应用，熟悉Agent运行机制
模型微调：有开源大模型（Qwen, Llama等）的SFT、LoRA、RLHF实战经验，了解模型部署与推理加速（vLLM等）
推荐系统：了解召回、排序、特征工程、多兴趣建模等传统推荐算法原理
分布式系统：了解微服务架构，有分布式任务调度、高并发服务开发或性能调优经验
前沿探索：在Kaggle、天池等竞赛取得优异成绩，或有高质量开源项目贡献、技术博客
AI 洞察
优缺点分析
优点
- 技术前沿且场景丰富，能深度参与大模型、Agent等热门技术的落地，拥有2亿真实用户提供的海量数据和反馈
- 公司正处于AI原生转型期，重视算法团队，能提供充足的资源支持和成长空间
- 组织扁平，CEO亲自带教，能快速接触核心业务并获得高层关注
- 薪酬福利具备市场竞争力
- 技术方向快速迭代，需要持续学习并跟进最新进展，保持技术敏锐度
- 作为业务导向的算法岗，需要快速理解OTT大屏、家庭场景等特定业务逻辑，并将技术有效落地
- 这个职位适合对前沿AI技术（尤其是大模型、Agent）有浓厚兴趣和研究热情，具备扎实工程能力和算法基础，并渴望在拥有海量用户的成熟产品上快速验证技术价值的候选人
缺点 / 挑战
- 公司处于转型和扩张期，可能面临项目多、节奏快的压力，需要较强的适应和抗压能力
角色解读
- 短期来看，你将在指定的AI技术方向上成为专深专家
- 随着项目成功和经验积累，可以向技术专家或架构师方向发展，主导更复杂的系统设计
- 长期看，凭借对业务场景的深入理解，可转向AI产品经理或技术负责人，规划和领导整个AI产品线的技术战略
- 公司正处于AI转型高速期，提供了快速晋升和承担关键项目的机会
- 你将作为AI算法工程师，将前沿的大语言模型技术、Agent架构等应用于2亿家庭用户的实际场景中
- 你的工作将直接驱动公司AI产品的核心能力进化，包括但不限于智能推荐、内容生成、智能问答和跨设备协同
- 你将在一个技术驱动且快速成长的环境中，将你的算法能力转化为真实的用户价值和业务影响力
- 你必须具备扎实的编程能力（Python为主），并熟练掌握机器学习、深度学习理论及PyTorch/TensorFlow框架
- 核心要求是理解并应用Transformer架构，并对大语言模型（LLM）的原理与应用有深入认识
- 加分项则体现了对全栈AI工程能力（Agent、RAG、模型微调、分布式系统）和探索精神的重视
申请策略
- 深入了解酷开网络的AIOS、超级智能体等产品，思考算法技术可以在哪些具体场景（如电视内容推荐、智能家居交互）中创造价值
- 在面试中，可以就你感兴趣的具体方向（六大方向之一）提出自己的见解或方案，展现主动思考和解决问题的能力
- 重点突出与JD要求匹配的编程语言（Python）和机器学习/深度学习项目经验
- 如有大模型相关实践（如微调、RAG应用、Agent开发），务必详细描述
- 展示在推荐系统、NLP或分布式系统方面的项目成果
- 通过技术博客、开源贡献或竞赛成绩来体现对技术的热爱和探索精神
- 可以系统学习并实践Prompt Engineering和RAG技术，了解主流框架如LangChain
- 尝试在开源模型上进行微调（SFT/LoRA）并部署推理，熟悉vLLM等加速工具
面试指南
- 回答技术原理类问题时，采用“定义-核心思想-关键公式/步骤-优势-应用场景”的结构，确保逻辑清晰
- 回答场景设计类问题时，先明确业务目标和用户痛点，再提出技术架构（端到端），并阐述每个模块的作用、技术选型理由及可能遇到的挑战和解决方案
- 回答开放性问题时，结合自己的项目经验或学习实践进行阐述，体现思考深度和解决问题的能力
- 请解释一下Transformer架构中Self-Attention机制的原理及其在处理序列数据时的优势
- 假设要为一个大屏电视应用设计一个基于LLM的推荐系统，你会如何设计其架构？主要考虑哪些方面（如冷启动、推荐理由生成）？
- 你如何理解RAG（检索增强生成）技术？请描述一个你可能设计的RAG应用流程
- 请谈谈你对AI Agent（智能体）的理解，以及如何设计一个能让智能体高效调用外部工具（Function Calling）的机制？
- 在模型微调方面，你了解SFT和RLHF的区别吗？什么情况下会选择其中一种方法？
职位点评
薪资福利85
成长发展90
工作生活70
使命价值80
薪资福利
85较高
JD明确提及具备市场竞争力的薪酬、签字费、六险一金及多项补贴福利，对物质回报的满足度较高。
薪资信号市场水准 (2千–4万/月)
福利待遇六险一金、签字费、房补、话补、带薪假期、生日福利
成长发展
90较高
职位涉及大模型、Agent、RAG等前沿技术，公司处于AI转型期且提供CEO带教和资源支持，技能成长和晋升机会明确。
技术前沿前沿/新兴技术
技术栈LLM、AIGC、RAG、AI Agent、Transformer、PyTorch、vLLM、LoRA、RLHF
成长机会CEO亲自带教、高速成长、容易崭露头角、拿到关键项目机会
业务类型profit_center
工作生活
70中等
JD提及组织扁平、弹性工作制、灵活工位及自研效率平台，暗示一定的工作自主性与灵活性，但未明确WLB保障。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
工作生活平衡弹性工作制、灵活工位、扁平氛围、HappyWork平台
使命价值
80较高
岗位服务于2亿家庭用户的AI体验提升，公司致力于成为家庭全场景AI智能体服务商，具有清晰的业务落地场景和技术使命感。
行业发展高速增长赛道
社会影响中性/一般
使命信号家庭全场景 AI 智能体服务商、AI能力有真实业务场景直接验证
创新程度积极采用新技术
Watch Jobs