京东
算法开发
算法开发
发布于 大约 22 小时前普通员工/个人贡献者
北京市
其它
全职员工
仅现场办公
学历未注明
软件工程
Gbdt
Lightgbm
Llm
Peft
Rag
Sft
Xgboost
反欺诈
风控模型
AI 估算 · 35k–60k
京东零售核心风控算法岗位，结合北京市场、大模型技能稀缺性及大厂薪酬水平，月薪中位数约47.5k。
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模型设计与落地，涵盖反欺诈、反作弊、黑产识别等方向
你将应用机器学习和深度学习技术，构建实时/离线风险模型，并探索大模型在风控领域的应用，如LLM驱动的风险归因与策略推荐
适合有扎实ML/DL基础、对风控和大模型技术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
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
AI 洞察
优缺点分析
优点
- 大模型与风控结合属于前沿方向，积累稀缺经验
- 京东平台稳定，薪酬福利优厚，有成熟的晋升体系
- 黑产攻防对抗持续升级，需要不断学习新技术
- 大模型落地应用尚在探索阶段，可能面临不确定性和试错
缺点 / 挑战
- 核心业务场景，数据量大、挑战高，技术成长快
- 风控领域对模型准确率和实时性要求极高，压力较大
- 适合技术扎实、对风控和安全有浓厚兴趣，愿意接受挑战并探索前沿技术的算法工程师
角色解读
- 技术方向：从风控算法工程师成长为风控架构师，或深耕大模型应用专家
- 管理方向：带团队负责整个风控算法方向，晋升为团队负责人
- 业务方向：深入理解业务，转型为风险策略专家或产品负责人
- 设计和优化风控算法模型，如反欺诈、反作弊模型，保护平台交易安全
- 处理海量用户行为数据，构建特征工程和模型训练流水线
- 探索大模型技术在风险识别、黑产情报分析等场景的应用
- 负责模型从开发到上线的全生命周期管理，包括监控和迭代
- 扎实的机器学习基础，熟悉GBDT、DNN、Transformer等主流算法
- 大模型相关技能，如SFT、PEFT、RAG、Prompt Engineering等
- 风控领域知识，包括样本构造、特征工程、模型评估与部署
- 数据处理能力，能处理海量、多源异构数据及图数据
申请策略
- 了解京东零售的风控场景（如防刷单、营销风险），思考如何优化现有方案
- 准备一个端到端的模型项目案例，包括问题定义、数据、模型选择和效果评估
- 突出风控或反欺诈相关项目经验，尤其是模型落地效果
- 强调大模型实践经验，如微调、RAG、Prompt Engineering等
- 展示数据处理和特征工程能力，最好有大规模数据集处理案例
- 补充大模型训练和部署经验，如使用LoRA进行微调
- 学习图神经网络和异常检测算法，提升风控模型效果
面试指南
- STAR法则：描述情境、任务、行动和结果，突出个人贡献
- 技术+业务结合：先讲技术方案，再说明对业务指标的影响（如召回率提升、损失降低）
- 请解释GBDT和XGBoost的区别及适用场景
- 如何设计一个实时风控模型？需要哪些组件？
- 你如何评估一个风控模型的效果？有哪些关键指标？
- 请谈谈你使用大模型解决实际问题的经历，遇到了哪些挑战？
- 如何应对黑产对抗？举例说明模型迭代策略
- 复习经典机器学习算法（GBDT、Transformer）的数学原理和代码实现
职位点评
74
综合评分
大厂核心风控算法岗，前沿大模型+风控技术，发展空间大但WLB一般。
更适合这类人
适合重视技术成长和职业发展，能接受较强工作节奏的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利
85较高
京东作为大厂，薪资福利有竞争力，但JD未明确具体薪资，需面议。整体补偿性动机满足较好。
薪资信号面议 (35K-60K/月)
成长发展
90较高
职位涉及风控和大模型两大前沿技术，有丰富的数据和业务场景，成长空间很大。
技术前沿前沿/新兴技术
技术栈GBDT、XGBoost、LightGBM、Transformer、LLM、SFT、PEFT、LoRA、RLHF、RAG
业务类型profit_center
工作生活
50较低
JD未提及工作时间和弹性办公，大厂核心部门通常加班较多，WLB一般。
工作模式仅现场办公
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
风控岗位有明确的社会价值（保护用户和平台安全），但行业竞争激烈，意义感中等偏上。
行业发展稳定成熟行业
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