数据技术及产品部-大模型RL Data工程师-金融财会（Finance & Accounting）

优缺点分析

角色解读

• 纵向可深耕大模型数据与评测领域，成为金融垂直领域大模型的数据专家或评测架构师
• 横向可向大模型产品经理、AI 业务负责人或金融科技创新团队管理岗发展
• 负责大模型在金融财会领域的数据体系建设，将真实的财务、审计、税务任务转化为高质量的可验证训练数据
• 设计并构建端到端的自动化评测机制，检验模型在复杂财务场景下的数字精度、合规性与逻辑推理能力
• 制定金融财会能力维度的标注规范与评分标准，并建立严格的质量管控与质检流程
• 具备扎实的金融财会专业知识，精通会计准则、税务或审计，能敏锐识别实务中的合规红线与失效点
• 掌握 Python/SQL 等数据处理工具，了解大模型后训练范式（SFT/RLHF）及 Agent 核心机制
• 拥有优秀的技术写作与跨团队沟通能力，能将模糊的财务问题抽象为结构化的评测维度

申请策略

• 在求职信或面试中，准备一个具体的财务场景案例，说明如何将其拆解为可标注、可评测的数据集
• 了解公司在金融大模型或 AI 财务领域的最新产品与业务布局
• 重点突出金融财会领域的专业资质（如 CPA/CFA）及实务经验，证明对财务合规与数字精度的把控力
• 详细列举参与过的数据标注、评测体系搭建或大模型相关项目，展示将业务问题转化为数据方案的能力
• 强调 Python/SQL 数据处理能力以及对 SFT、RLHF、Agent 等 AI 概念的理解与实践
• 深入学习大模型后训练范式（特别是 RLHF 和可验证奖励 RL）及 Agent 框架（如 ReAct、Tool Use）
• 熟悉主流金融数据终端（Wind/Bloomberg）及 ERP 系统的接口调用与工程约束

面试指南

• STAR 法则：结合具体项目，说明情境、任务、行动和结果，突出跨学科解决问题的能力
• 结构化拆解：面对复杂业务问题，先拆解为子任务，再定义数据格式、评测指标与验收标准
• 如何将一个复杂的财务报表分析任务拆解为可标注、可评测的数据集？请举例说明
• 在金融财会场景下，大模型最容易出现的“幻觉”或精度错误是什么？你会如何在评测中检出并防范？
• 请描述你理解的 Agent 核心机制（如 ReAct），以及它在多步财务流程执行中如何应用？
• 如果标注团队对某项税务筹划任务的评分标准产生分歧，你会如何制定 rubric 并解决一致性问题？
• 准备 1-2 个将传统财务流程转化为 AI 数据/评测方案的实际案例，并复盘其中的难点与解决方案
• 复习大模型评测的核心指标与方法，特别是针对数学推理、代码生成及工具调用（Tool Use）的评测机制