得物
大模型风控算法工程师（日常实习转正）
大模型风控算法工程师（日常实习转正）
发布于 3 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Prompt优化
Rag
大模型(Llm)
机器学习
模型评测
风险控制
值不值得投
71综合评分
综合评分 71
前沿大模型技术实战、明确转正通道、业务导向强、WLB待确认
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，方便比较实习机会。
薪资怎么样
7.0千
比机器学习工程中位数低
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 690 个在招 · 其中机器学习工程 6 个
市场机会
选择面较广
上海 · 机器学习工程 · 约 390 个在招
职位详情
关于这个职位
负责将大模型技术应用于风控业务场景，涵盖风险识别、智能客服与决策Agent等方向
通过数据分析、模型实验与效果评估，将业务需求转化为可迭代的算法方案，并持续跟进前沿技术落地
最低要求
届毕业生，本科及以上学历，计算机、人工智能、数学、统计学、软件工程等相关专业
具备良好的编程基础，熟悉 Python，了解常用的数据处理、机器学习或深度学习工具
具有较强的逻辑思维、问题分析和快速学习能力，愿意从实际业务目标出发理解和解决问题
具备良好的沟通能力和团队协作意识，能够积极推进并完成所负责的任务
工作职责
参与大模型在风险识别、策略辅助、智能运营、智能客服及决策 Agent 等风控场景中的探索与落地
协助理解和拆解实际业务问题，通过数据分析、模型实验、效果评估等方式，将业务需求转化为可验证、可迭代的算法方案
参与大模型应用相关工作，包括 Prompt 优化、RAG、Agent、模型评测、数据构造及效果分析等
跟踪大模型、机器学习等领域的前沿技术，结合实际业务场景开展技术调研和实验验证
与产品、策略、工程及业务团队协作，推进算法方案的开发、测试与落地
优先资格
对大模型及 Agent 技术有浓厚兴趣，了解 Prompt、RAG、工具调用、模型评测等相关技术者优先
有大模型、机器学习、数据挖掘相关课程项目、科研经历、竞赛经历或实习经验者优先
AI 洞察
优缺点分析
优点
- 深度接触大模型前沿技术栈，实战场景贴近业界最新落地趋势
- 业务需求真实且高频，能快速积累从算法设计到线上部署的全链路经验
- 明确标注“日常实习转正”，表现优异者可直接获得正式编制，降低求职不确定性
- 风控场景对模型稳定性与准确率要求极高，算法试错空间相对有限
- 大模型技术迭代迅速，需保持高强度自主学习以跟上技术演进节奏
- 对AI风控有强烈兴趣、具备扎实编程基础，且渴望在真实业务中快速转化技术能力的准应届生
缺点 / 挑战
- 需频繁与产品、策略及工程团队对齐，沟通成本与跨域知识要求较高
角色解读
- 纵向深耕：向高级算法专家、风控策略负责人或AI架构师方向发展
- 横向拓展：积累大模型落地经验后，可转型为大模型应用产品经理或技术管理岗
- 行业延伸：凭借风控与AI交叉背景，可向金融科技、电商平台或自动驾驶等高壁垒领域迁移
- 聚焦大模型在风控业务中的落地应用，涵盖风险识别、智能客服与决策Agent等方向
- 负责Prompt调优、RAG架构搭建与Agent开发，进行模型效果评估与数据构造迭代
- 拆解实际业务问题，通过数据分析与模型实验，将需求转化为可验证的算法方案
- 跟踪前沿技术并结合业务场景开展调研，协同多团队推进算法开发与测试上线
- 扎实的Python编程能力与数据处理基础，熟悉机器学习/深度学习常用工具
- 掌握大模型核心概念与技术栈，包括Prompt工程、RAG架构、Agent工作流及评测方法
- 具备较强的逻辑思维与业务抽象能力，能将复杂风控场景转化为可量化的算法任务
- 良好的跨部门沟通与协作意识，能在产品、策略与工程团队间高效推进项目
申请策略
- 提前研究得物平台的风控痛点，面试时可主动提出1-2个基于大模型的优化思路
- 准备完整的STAR案例，清晰说明技术选型依据、实验设计过程与最终业务收益
- 重点突出大模型相关项目/竞赛经历，明确个人在Prompt优化、RAG搭建或Agent开发中的具体贡献
- 量化算法优化成果，如模型准确率提升幅度、推理延迟降低比例或业务指标改善数据
- 展示Python编程与数据处理能力，附上GitHub链接或技术博客增强可信度
- 系统学习LangChain/LlamaIndex等主流框架，掌握RAG检索增强与向量数据库应用
- 练习结构化Prompt设计与自动化评测流水线搭建，熟悉主流大模型API与微调基础
- 补充电商/二手交易平台常见风控场景知识，理解欺诈识别、信用评估等业务逻辑
面试指南
- 使用STAR法则结构化回答项目经历，重点突出个人技术贡献、实验设计逻辑与量化结果
- 针对系统设计题，先明确业务边界与数据流向，再分层阐述检索、生成、评估模块的选型依据
- 面对技术落地难题，采用“假设-验证-迭代”思路，结合A/B测试与人工复核给出可执行方案
- 请详细介绍你参与过的大模型项目，你在其中承担的具体职责与技术难点是什么？
- 如何为一个风控场景设计RAG系统？如何解决检索准确率低的问题？
- Prompt优化有哪些常用技巧？当模型输出不稳定时你会如何排查？
- 如何构建一套有效的大模型效果评估体系？会关注哪些核心指标？
- 如果业务方提出的风控需求与当前技术能力存在差距，你会如何沟通与推进？
职位点评
薪资福利65
成长发展85
工作生活55
使命价值70
薪资福利
65中等
实习津贴处于市场中上水平，但作为日常实习岗位整体薪酬福利体系不如正式员工完善。
薪资信号未披露（AI估算：4.5–8.5千/月）
成长发展
85较高
岗位深度绑定大模型前沿技术，提供明确的转正通道与实战业务场景，技能成长空间显著。
技术前沿前沿/新兴技术
技术栈Python、大模型、RAG、Agent、Prompt优化、模型评测
业务类型ambiguous
工作生活
55较低
未明确标注办公模式与加班政策，互联网大厂常规节奏下工作强度可能偏高，WLB存在不确定性。
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
70中等
聚焦AI技术在真实商业场景的落地，助力平台交易安全与用户体验提升，具备较强的行业应用价值。
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