Millennium
Quant Research Engineer
Quant Research Engineer
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
CI/CD
Kdb+
Llm
值不值得投
76综合评分
综合评分 76
顶尖量化基金核心基础架构岗，薪资极高、技术前沿，但工作强度大、WLB较弱。
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
10万
比算法优化工程师中位数高
发布情况
新岗位 · 今天发布
公司情况
公司还在招多个职位
3 个在招
职位详情
关于这个职位
该职位负责设计和维护公司的核心量化交易管道、数据基础设施及研究计算环境，推动下一代数据和计算平台的架构愿景
你需要与量化研究员紧密合作，将AI原生能力（如LLM服务、智能体工作流）嵌入研究栈，并负责生产与研究系统的DevOps及AI增强运维
最低要求
{3-5年量化开发岗位的专业经验，专注于构建和维护量化研究与生产管道
或者在快节奏初创公司有丰富的工程经验，或拥有强大的AI/LLM工程实践经验（构建生产级LLM应用、智能体系统或AI驱动的开发工具），并证明对复杂基础设施有所有权
,证明对交易、研究、高性能或AI基础设施的重要部分有端到端的所有权
,在高性能计算环境下，深度精通现代C++和Python
,具有大规模数据基础设施（如实时/流数据和历史tick数据）的明显经验
,在云计算（AWS、GCP或Azure）和并行计算范式方面有很强的背景
,"广泛的技术领域知识及为问题选择合适工具的判断力（如KDB+、Apache Spark、Dask、Redis）
","将LLM和智能体工作流应用于实际工程或研究问题的实践经验（LLM API、智能体框架、RAG、结构化输出管道），并对AI增加价值和必须保持确定性的地方有合理判断
",精通不同的数据库设计（SQL、NoSQL和分布式文件系统）
,具有容器化和编排技术（Docker、Kubernetes）的经验
,"丰富的DevOps实践经验：基础设施即代码（Terraform、CloudFormation）、CI/CD管道（GitHub Actions、GitLab CI）和系统可观测性，包括熟悉AI辅助运维工具
",出色的逻辑与反思思维能力，能够解构复杂问题并设计优雅、有效的解决方案
,主动协作，在协作环境中茁壮成长并建立牢固的伙伴关系
,高度的诚信，主动承担项目所有权，在处理敏感数据和模型时坚持严格的道德标准
,成长型思维，具有天生的好奇心和持续改进的承诺，对快速发展的AI领域充满热情，并有在曲线前采用新工具的记录
,出色的沟通能力，能够向技术和非技术利益相关者阐明复杂的技术概念
}
工作职责
{核心基础设施所有权：,设计、构建和维护公司的核心量化管道、数据基础设施以及研究和生产计算环境
,确保对我们的研究和交易活动至关重要的关键系统的可靠性、可扩展性和性能
,推动下一代数据和计算平台的架构愿景，包括如何将AI原生能力（LLM服务、智能体工作流、检索基础设施）嵌入研究栈
,协作与集成：,直接与量化研究员和其他开发团队合作，了解他们的需求并将新组件集成到核心基础设施中
,作为核心专业点，促进数据和计算在团队和系统之间的无缝流动
,识别AI可以加速研究过程的地方（从文献摄取和数据探索到信号原型设计），并构建使其成为常规的工具
,建立并执行严格的系统设计、代码质量、测试和部署标准
,DevOps与AI增强运维：,负责生产和研究系统的部署、监控和运维健康
,实施强大的可观测性、日志记录和告警框架
应用AI辅助技术（自动日志分析、异常检测、智能事件分类）来提高可靠性标准
,推动基础设施即代码实践并自动化运维工作流，在能显著提高速度和质量的地方利用AI编码智能体和LLM工具
}
优先资格
{拥有全球前20名顶尖大学的卓越学术背景（如MIT、哈佛、普林斯顿、斯坦福、加州理工等）
,优选计算机科学、工程、物理、数学或统计学专业的博士级培训背景
,强烈偏好在全国或国际奥林匹克竞赛（IMO、CMO、IOI、NOI、IPhO、CPhO）中获得金牌的候选人
,优选在顶尖量化交易公司或领先AI/科技公司有先前经验的候选人
,展现出对应用AI的强烈热情，在个人研究或工程工作流中构建基于LLM工具的候选人将脱颖而出
}
AI 洞察
优缺点分析
优点
- 身处全球顶尖量化对冲基金，能够接触到最前沿的金融工程技术与海量高频数据，技术壁垒极高
- 岗位深度融合LLM与智能体等前沿AI技术，处于AI赋能量化研究的最前线，技术视野与实战经验极具稀缺性
- 薪酬福利处于行业金字塔顶端，与顶尖聪明的大脑共事，个人能力与职业背书将获得极大提升
- 技术栈要求极广，从底层C++到上层AI应用，再到DevOps与云原生架构，需要持续保持高强度的学习与知识更新
- 适合拥有顶尖学历背景、对AI与高性能计算充满热情，且渴望在极高技术壁垒和快节奏环境中证明自己的极客型工程师
缺点 / 挑战
- 量化交易对系统的可靠性、延迟和性能要求极其苛刻，工作压力大，需具备极强的抗压能力与严谨的工程习惯
角色解读
- 在顶尖量化基金中，可向核心基础设施架构师或量化技术负责人方向发展，主导下一代计算与数据平台架构
- 随着AI在量化领域的深入应用，可成为AI工程与量化研究交叉领域的稀缺专家，引领AI赋能交易研究的技术演进
- 负责设计和维护公司的核心量化交易管道、数据基础设施及研究计算环境，确保系统的高可用与高性能
- 与量化研究员紧密合作，将LLM、智能体工作流等AI原生能力嵌入研究栈，加速研究过程
- 主导DevOps与AI增强运维，实施基础设施即代码、CI/CD及智能监控告警，保障生产与研究系统的稳定运行
- 深度精通现代C++和Python，具备高性能计算和大规模数据基础设施（如实时流数据、历史tick数据）的开发经验
- 熟练掌握云计算（AWS/GCP/Azure）、容器化（Docker/K8s）及基础设施即代码（Terraform），具备丰富的DevOps实践经验
- 具备将LLM和智能体工作流应用于实际工程问题的实践经验，熟悉RAG、结构化输出及AI辅助运维工具
申请策略
- 投递时务必按照JD要求，将简历发送至指定邮箱（QuantTalentASIA@mlp.com），并在邮件主题中准确注明REQ-30162
- 提前了解Millennium的多基金经理（Pod）架构模式，思考基础设施团队如何更好地赋能各个独立的投资团队
- 突出在高性能计算、大规模数据管道或量化基础设施方面的端到端项目经验，强调系统的吞吐量、延迟优化等核心指标
- 详细展示将LLM、RAG或智能体工作流落地到实际工程或研究场景的具体案例，体现对AI技术边界的深刻理解
- 若有国际奥林匹克竞赛（IMO/IOI等）获奖经历或顶尖名校背景，务必在简历显眼位置重点标注
- 深入复习C++11/14/17/20的高级特性及Python异步编程，刷LeetCode Hard级别算法题以保持手感
- 动手实践基于LangChain/LlamaIndex构建RAG系统或智能体工作流，并尝试将其与KDB+或时序数据库结合
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出在复杂系统设计中做出的技术权衡（Trade-offs）以及最终带来的业务/性能收益
- 对于AI应用问题，采用‘场景分析-技术选型-风险控制-效果评估’的框架，强调对AI幻觉的防范和确定性兜底机制
- 请描述你设计过的最复杂的量化或高性能数据管道，你是如何解决其中的性能瓶颈和可扩展性问题的？
- 在实际工程中，你是如何评估并决定在某个环节引入LLM或AI智能体的？如何平衡AI的概率性与交易系统对确定性的要求？
- 当生产环境出现延迟突增或数据不一致时，你的排查思路和使用的可观测性工具是什么？
- 请分享一个你使用基础设施即代码（如Terraform）和CI/CD自动化运维工作流的实际案例
- 准备2-3个深度技术项目案例，能够画出详细的系统架构图，并清晰讲解数据流向、并发处理及容错机制
- 复习分布式系统基础理论（如CAP定理、一致性哈希）及金融时序数据处理（如Tick数据聚合、时间窗口计算）的核心知识
职位点评
薪资福利95
成长发展90
工作生活40
使命价值50
薪资福利
95较高
作为全球顶尖量化基金的核心技术岗，薪资水平处于行业金字塔顶端，具有极强的财务回报吸引力。
薪资信号偏高 (7千–13万/月)
成长发展
90较高
岗位深度融合LLM与前沿AI技术，且要求极高的技术广度与深度，能为个人技术成长提供顶级平台。
技术前沿前沿/新兴技术
技术栈C++、Python、LLM、KDB+、Apache Spark、AWS、Docker、Kubernetes、Terraform、RAG
业务类型profit_center
工作生活
40较低
量化交易行业通常伴随高强度的工作节奏与严格的系统稳定性要求，JD中未提及WLB相关福利，工作生活平衡较难保证。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
50较低
量化金融行业的社会直接影响力相对中性，但推动AI在金融工程中的前沿应用具有一定的技术创新意义。
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
Millennium 的其他在招职位
相似职位推荐
Watch Jobs