中国电信
大模型应用算法工程师
大模型应用算法工程师
发布于 1 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
Agent开发
Pytorch
Rag
Vllm
大语言模型(Llm)
数据清洗
模型微调(Sft/Lora)
值不值得投
75综合评分
综合评分 75
国企稳定平台、前沿大模型技术栈、侧重算法落地与工程化，WLB中等偏上。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较职业起点。
薪资怎么样
2.8万
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 2380 个在招 · 其中机器学习工程 31 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 300 个在招
职位详情
关于这个职位
负责垂直领域大模型的微调训练、效果评估与迭代优化，构建并清洗高质量数据集以搭建数据闭环
同时基于LangChain等框架开发RAG与Agent应用，承担模型推理部署、GPU资源优化及前沿技术跟踪与论文复现工作，助力AI技术在实际业务场景中落地
最低要求
普通高等院校研究生及以上学历，计算机、人工智能、软件工程等相关专业，研究方向为自然语言处理（NLP）、大语言模型（LLM）或多模态方向者优先
专业基础知识要求：熟练掌握Python，熟悉Linux开发环境，能熟练使用SQL进行基本数据处理
有PyTorch深度学习框架的使用经验，不局限于仅调用标准API
在校期间有NLP/CV领域的课题研究或工程项目经历，动手能力较强，善于通过编码解决实际问题
对大模型技术有浓厚兴趣，具备较好的自驱学习能力
熟悉Transformer架构及主流开源大模型（如Qwen、Llama、ChatGLM等）的基本原理，了解常见的微调范式（LoRA、QLoRA、P-Tuning等）
有HuggingFace Transformers、ModelScope等社区工具的使用或调用经历，或有大模型API调用、简单Agent应用开发经验者优先
工作职责
负责垂域大模型微调训练（SFT、LoRA、RLHF/DPO）与效果评估，开展模型选型验证和迭代优化
参与垂类数据集构建，完成数据清洗、去重、合成数据生成及质量评估，搭建数据闭环
基于 LangChain、LlamaIndex 等框架参与 RAG、Agent 等 AI 应用开发，负责模块编码、接口联调与性能测试
配合完成模型推理部署、GPU 资源优化，开展 vLLM、TensorRT-LLM 等推理加速框架测试及工具链维护
跟踪前沿技术，参与论文复现、内部 Benchmark 建设与技术文档沉淀
AI 洞察
优缺点分析
优点
- 依托运营商庞大的算力基础设施与真实业务场景，数据资源丰富且落地机会多
- 平台稳定，技术栈贴近业界主流前沿，利于积累大模型工程化与调优实战经验
- 国企背景提供完善的福利保障与职业稳定性，适合长期深耕技术研发的求职者
- 大模型技术迭代极快，需保持高强度持续学习以跟进最新Paper与开源生态
- 国企流程相对规范但决策链条较长，创新试错空间与敏捷度可能受限
- 适合具备扎实AI理论基础、热爱大模型技术落地、追求稳定平台且愿意深耕垂直行业应用的求职者
缺点 / 挑战
- 项目交付期或模型上线前可能面临阶段性高强度开发与调试压力
角色解读
- 可向大模型架构师、AI算法专家或AI应用负责人方向发展，主导核心模型研发与落地
- 随着公司在云网融合与AI战略的深入，有机会转向AI产品化、商业化落地或技术管理岗位
- 持续深耕垂直行业知识，成为兼具算法能力与业务洞察的复合型AI人才
- 负责垂直领域大模型的微调训练、效果评估与迭代优化，确保模型在特定场景下的表现达标
- 构建并清洗垂类数据集，完成数据去重、合成数据生成与质量评估，搭建高质量数据闭环
- 基于LangChain/LlamaIndex框架开发RAG与Agent应用，负责模块编码、接口联调与性能测试
- 配合完成模型推理部署与GPU资源优化，测试vLLM/TensorRT-LLM等加速框架并维护工具链
- 精通Python与PyTorch深度学习框架，熟悉Transformer架构及主流开源大模型原理
- 掌握SFT、LoRA、RLHF/DPO等高效微调技术，具备扎实的NLP/CV算法基础
- 熟悉RAG架构设计与Agent开发流程，了解LangChain/LlamaIndex等核心框架
- 掌握模型推理部署基础，了解GPU内存管理与vLLM/TensorRT-LLM等推理加速工具
申请策略
- 提前了解该企业在“天翼云”及AI大模型方面的战略布局，准备1-2个与大模型应用或数据处理相关的完整项目案例以备面试深挖
- 关注企业技术博客或开源贡献记录，展现对行业趋势的敏感度与主动学习能力
- 突出NLP/CV相关的课题或工程项目经历，详细展示PyTorch实战代码能力与大模型微调/RAG项目细节
- 强调动手解决问题与自驱学习能力，量化模型效果提升指标或推理加速成果
- 清晰呈现数据清洗、合成数据生成及质量评估的具体方法与工具链使用经验
- 深入掌握LoRA/QLoRA等高效微调方法，熟悉HuggingFace/ModelScope生态与Prompt工程
- 补充LangChain/LlamaIndex框架的实际开发经验，理解RAG检索增强与Agent规划执行机制
- 了解GPU推理优化基础，熟悉显存管理、量化压缩（如AWQ/GPTQ）及并发调度策略
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答项目经历，重点突出个人贡献与技术决策依据
- 技术原理题先阐述核心机制与数学/逻辑基础，再结合具体工具/框架说明实现路径，最后补充性能指标或优化结果
- 面对开放性问题，先界定边界条件，给出多方案对比（如精度vs速度权衡），再结合业务场景推荐最优解
- 请详细介绍一个你参与过的NLP或大模型相关项目，你在其中负责什么？遇到了哪些技术难点？
- 你是如何进行数据清洗和构建训练集的？如何处理数据噪声与长尾分布问题？
- 针对特定垂直领域，你会如何设计微调策略（SFT/RLHF）？如何评估微调后的模型效果？
- 如何解决RAG系统中的检索准确率与幻觉问题？Agent的路径规划与工具调用如何实现？
- 在模型推理部署时，遇到过哪些显存或延迟瓶颈，是如何通过框架或代码层面优化的？
职位点评
薪资福利70
成长发展85
工作生活65
使命价值75
薪资福利
70中等
国企背景提供稳定的薪酬福利与完善的保障体系，薪资处于杭州AI算法市场中上水平，但整体现金激励可能不及互联网大厂激进。
薪资信号市场水准 (2.0千–3.5万/月)
成长发展
85较高
岗位直接对接大模型前沿技术与真实业务数据，技术栈现代且成长空间大，内部项目历练将显著提升算法工程化与全链路开发能力。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、LLM、RAG、Agent、vLLM、Transformer
业务类型ambiguous
工作生活
65中等
国企通常注重工作与生活的平衡，但大模型研发项目周期紧时可能面临阶段性加班。JD未明确提及弹性工时，整体WLB预期中等偏上。
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）
使命价值
75中等
投身国家算力网络与人工智能战略，通过大模型技术赋能千行百业，具有明确的社会价值与行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs