京东
算法开发
算法开发
发布于 大约 11 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
本科
研究与开发 (研发)
RAG
LLM
XGBoost
SFT
异常检测
DNN
反欺诈
RLHF
LoRA
AI 估算 · 25k–45k
北京京东零售，中级算法，风控方向涉及大模型，技术难度高，薪资有竞争力。
职位详情
关于这个职位
该职位主要负责京东零售核心业务场景的风控算法设计与优化，覆盖反欺诈、反作弊、薅羊毛识别等方向
你将构建实时/离线风险模型，并探索LLM/多模态大模型在风控中的应用，如风险识别、归因和案件分析
适合对机器学习、深度学习和大模型有扎实基础，并对黑灰产攻防有浓厚兴趣的算法工程师
最低要求
基础要求：具备扎实的机器学习和深度学习基础，熟悉常见算法，包括但不限于 GBDT/XGBoost/LightGBM、DNN、Transformer、序列模型、图模型、异常检测、聚类、半监督/自监督学习 等
大模型能力要求
）熟悉主流大语言模型和开源生态，如 Qwen、Llama、GLM 等，了解大模型训练、微调、推理和评测流程
）熟悉 SFT、PEFT、LoRA、RLHF、Prompt Engineering、RAG、Agent、模型蒸馏、向量检索、知识增强 等技术，有实际项目落地经验优先
）了解大模型安全风险，包括 幻觉、越狱攻击、提示注入、隐私泄露、内容安全、数据安全、模型鲁棒性 等，有大模型安全评测或风控应用经验优先
风控建模能力要求
）熟悉风控业务中的样本构造、标签定义、特征工程、模型训练、阈值策略、效果评估、线上监控和策略迭代方法
）具备处理 海量行为数据、多源异构数据、长序列数据、图关系数据、弱标签/噪声标签数据 的经验
）对黑灰产攻防有较强兴趣和敏感度，能够从异常行为、设备指纹、交易链路、社交关系、内容语义等维度挖掘风险模式
符合京东价值观：客户为先、创新、拼搏、担当、感恩、诚信
工作职责
负责公司核心业务场景的风控算法模型设计、开发、优化与落地，覆盖但不限于反欺诈、反作弊、薅羊毛识别、刷量识别、爬虫识别、账号异常、支付风险、营销风险、内容风险等方向
基于业务风险特征，构建实时/离线风险识别模型、用户行为模型、设备风险模型、团伙识别模型、异常检测模型等，提升风险识别准确率和召回能力
负责模型全生命周期管理，包括样本构建、特征工程、模型训练、效果评估、上线部署、监控预警、迭代优化和效果归因
探索并落地LLM/多模态大模型/风控垂域大模型在风险识别、风险归因、案件分析、策略推荐、异常解释、黑产情报挖掘等场景中的应用
参与风控垂域大模型建设，包括数据清洗与构造、Continue Pretrain、SFT、PEFT、RLHF、Prompt Engineering、RAG、模型评测与安全对齐等工作
优先资格
有实际项目落地经验优先
有大模型安全评测或风控应用经验优先
AI 洞察
优缺点分析
优点
- 京东是大平台，技术资源丰富，有机会接触海量真实业务数据
- 风控是核心业务，团队重视，成长空间大
- 有机会深入探索LLM大模型在风控场景的应用，技术前沿性强
- 薪资福利在业内具有竞争力
- 风控场景复杂，对抗性强，需要持续迭代模型对抗黑产
- 对技术深度和广度要求高，需要同时掌握传统机器学习和大模型
缺点 / 挑战
- 可能面临较大业务压力和快速响应需求
- 适合对机器学习、大模型和风控都有浓厚兴趣，且愿意应对攻防挑战的算法工程师
角色解读
- 可发展为风控算法专家或技术负责人
- 可横向扩展至其他AI领域，如推荐系统、搜索排序
- 有机会参与前沿大模型研究与落地，成为大模型应用专家
- 设计并优化风控算法模型，应对反欺诈、反作弊等业务风险
- 构建实时/离线风险模型，包括用户行为、设备风险、异常检测等
- 负责模型全生命周期管理，从样本构建到部署迭代
- 探索LLM大模型在风控中的应用，如案件分析和风险归因
- 扎实的机器学习与深度学习基础，熟悉GBDT、Transformer等算法
- 熟悉大模型训练微调技术，如SFT、PEFT、RLHF、RAG
- 具备风控建模经验，包括样本构造、特征工程和模型评估
- 处理海量行为数据和图关系数据的能力
申请策略
- 了解京东零售业务和风控场景，准备相关案例
- 展示对技术前沿的持续学习热情
- 突出风控相关项目经验，特别是反欺诈、异常检测等
- 强调大模型落地经验，如SFT、RAG等
- 展示处理海量数据和特征工程的能力
- 如有竞赛或论文发表，可加分
- 若缺乏大模型经验，可学习Hugging Face Transformers、LoRA微调等
- 补充风控业务知识，了解常见黑产手法
面试指南
- 先明确问题核心，再结合理论+项目经验回答
- 分步骤说明：数据准备、特征工程、模型选择、评估、部署
- 强调实际场景中的挑战和解决方案
- 请解释GBDT和XGBoost的区别及适用场景
- 你如何设计一个反欺诈模型？从样本构造到评估
- 谈谈你对RAG的理解，以及如何用于风控
- 如何处理风控中的样本不平衡问题？
- 如何评估一个风控模型的上线效果？
职位点评
69
综合评分
京东零售风控算法，前沿大模型技术栈，薪资有竞争力，但工作生活平衡一般。
更适合这类人
适合重视技术成长和前沿探索、能够接受一定工作强度的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活50
使命价值60
薪资福利
75中等
京东作为头部互联网企业，薪资具有竞争力，且有年终奖等福利，但JD未明确具体福利，综合评估中等偏上。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
该职位涉及前沿大模型技术和风控算法，技术成长空间大，且JD明确提到模型全生命周期管理，有利于技能积累。
技术前沿前沿/新兴技术
技术栈GBDT、XGBoost、LightGBM、DNN、Transformer、LLM、SFT、PEFT、LoRA、RLHF、RAG
业务类型ambiguous
工作生活
50较低
JD未提及远程办公或弹性工时，且北京互联网公司通常工作强度较大，生活工作平衡一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
60中等
风控方向有助于保护用户资产和平台安全，具有正向社会价值，但整体使命信号不明显。
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
Watch Jobs