百度
数据策略研发工程师（医疗大模型 Agent 方向）（J106671）
数据策略研发工程师（医疗大模型 Agent 方向）（J106671）
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公数据科学
数据科学
A/B测试
Agent架构
Nlp
Prompt工程
Pytorch
Rag
大模型(Llm)
特征工程
知识图谱
值不值得投
82综合评分
综合评分 82
前沿医疗AI赛道、技术成长空间大、平台资源优，WLB中等偏常规
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，方便横向比较。
薪资怎么样
4.0万
比数据科学中位数高
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 1360 个在招
市场机会
选择适中
北京 · 数据科学 · 35 个在招
职位详情
关于这个职位
本职位专注于医疗行业大模型Agent的记忆策略与内容库策略设计落地，负责构建多层记忆体系与医学知识图谱
通过高质量数据加工、特征工程与全链路评测体系建设，深度赋能业务优化
同时协同产品与算法团队，推动策略方案从实验验证至规模化落地，并持续跟踪大模型前沿技术
最低要求
计算机、人工智能、数学、统计学等相关专业本科及以上学历
年以上数据策略、算法或数据挖掘研发经验
深入理解Agent核心体系（Planning、Memory、Reflection等），熟悉ReAct/CoT等推理范式，具备记忆管理、上下文工程、RAG或长程任务系统设计与落地经验
具备扎实的NLP与文本理解功底，熟悉实体抽取、语义匹配、文本分类等任务
熟练掌握Python，熟悉常用深度学习框架（PyTorch等）与大模型应用技术栈（向量检索、Prompt工程、模型微调等），具备良好的数据处理、特征工程与在线开发能力
具备统计与机器学习基础，熟悉实验评估方法论（离线评测、AB实验、LLM-as-Judge等），能够独立完成业务问题的建模、分析与策略落地
工作职责
负责医疗行业大模型 Agent 的记忆策略设计与落地，建设并持续迭代用户长期记忆、短期工作记忆、场景画像等多层记忆体系，优化记忆的写入、检索、更新与遗忘机制，提升 Agent 在多轮对话与长程任务中的个性化与连续性表现
负责医疗行业基础库的内容策略设计与落地，围绕医生、医院、疾病、症状、药品、检查、治疗方案等基础内容库，建设内容结构化、标准化、更新维护与质量评估体系，支撑医学知识图谱构建与 Agent 的内容检索、理解与精准调用
基于用户 Query、对话上下文与交互行为开展特征与样本加工，为 Agent 记忆策略与基础库内容策略提供数据支撑，从数据视角挖掘用户诉求并赋能业务优化
建设 Agent 记忆与医疗行业基础库内容策略的全链路数据与评测体系，量化评估策略及模型变更影响，结合线上反馈定位失败模式，推动“数据-策略-效果”闭环持续自进化
协同产品、算法与医疗业务团队，推动策略方案从实验验证到规模化落地，对任务完成率、回答准确性、个性化体验等核心指标负责
跟踪大模型与 Agent 前沿技术，探索记忆增强、上下文工程、RAG 与医疗行业基础库内容策略在健康场景中的创新应用
优先资格
有大模型或Agent落地经验者优先
有医疗健康场景经验者优先
有医疗知识图谱、医学知识库或结构化医疗内容建设经验者优先
AI 洞察
优缺点分析
优点
- 聚焦医疗大模型与Agent前沿赛道，技术壁垒高且行业前景广阔
- 依托头部平台资源，可接触海量真实医疗交互数据与顶尖算法团队
- 全链路参与策略设计与落地，能快速积累从数据到业务指标的完整实战经验
- 医疗领域专业性强，需快速补充医学常识与合规知识以准确理解业务需求
- 大模型Agent技术迭代极快，需保持高强度学习以跟进最新研究进展
- 跨部门协同复杂，需平衡算法效果、业务指标与工程落地成本
- 适合具备扎实算法与数据处理背景，对医疗AI有浓厚兴趣且抗压能力强、追求技术深度的求职者
缺点 / 挑战
暂无明显挑战项
角色解读
- 向高级AI算法专家或大模型架构师方向发展，深耕Agent记忆与上下文工程领域
- 拓展至医疗AI垂直领域负责人，主导医疗大模型商业化落地与产品战略
- 转型技术管理岗，带领数据策略团队攻克复杂业务场景下的模型优化难题
- 设计并落地医疗大模型Agent的记忆策略与内容库策略，构建多层记忆体系与医学知识图谱
- 基于用户交互数据进行特征加工与样本处理，为策略优化提供底层数据支撑
- 搭建全链路数据评测体系，量化评估策略效果并推动“数据-策略-效果”闭环迭代
- 协同产品与算法团队，将策略方案从实验验证推进至规模化业务落地
- 深入掌握Agent核心架构（Planning/Memory/Reflection）及ReAct/CoT推理范式
- 扎实的NLP与文本理解能力，熟悉实体抽取、语义匹配及知识图谱构建
- 熟练使用Python与PyTorch，精通大模型应用技术栈（向量检索、Prompt工程、微调等）
- 具备完善的实验评估方法论，能独立运用AB实验与LLM-as-Judge进行策略验证
申请策略
- 提前调研百度医疗生态（如百度健康、文心一言医疗版），了解其业务痛点与技术路线
- 准备1-2个完整的“数据-策略-效果”闭环案例，面试时清晰阐述问题定义与归因分析
- 突出大模型/Agent相关项目经验，重点描述记忆管理、RAG或上下文工程的实际落地成果
- 强调医疗或垂直领域知识图谱构建、数据清洗与特征工程的量化业绩
- 展示独立负责AB实验设计与策略迭代的能力，附带关键指标提升数据
- 系统学习LangChain/LlamaIndex等Agent开发框架，动手实现多轮对话记忆模块
- 补充医学基础知识与医疗数据标准（如ICD、SNOMED CT），提升领域理解力
- 强化分布式数据处理与在线服务部署能力，适应大规模策略上线需求
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化陈述项目背景与个人贡献
- 针对技术问题，先阐明核心原理与选型依据，再结合具体数据指标说明优化路径
- 对于业务协同类问题，突出跨团队沟通机制与以终为始的目标对齐方法
- 请详细描述你设计过的Agent记忆管理方案，如何平衡短期与长期记忆？
- 在医疗场景下，如何保证知识图谱内容的准确性与时效性？
- 面对LLM幻觉问题，你会如何通过数据策略或RAG架构进行缓解？
- 请分享一次你通过AB实验发现策略缺陷并成功优化的完整经历
- 复习Transformer注意力机制、向量数据库原理及主流RAG架构对比
职位点评
薪资福利85
成长发展92
工作生活65
使命价值80
薪资福利
85较高
头部互联网企业提供具有市场竞争力的薪资与完善福利体系，对补偿性动机满足度较高。
薪资信号未披露（AI估算：3.0千–5.0万/月）
成长发展
92较高
岗位深度绑定医疗大模型与Agent前沿技术，提供丰富的技术探索空间与清晰的专家晋升通道，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈Agent、RAG、Prompt工程、知识图谱、PyTorch、LLM-as-Judge
业务类型profit_center
工作生活
65中等
互联网大厂通常节奏较快，但部分研发岗逐步推行弹性工作制，WLB处于行业中游水平。
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
80较高
致力于医疗AI落地，直接助力健康场景智能化升级，社会价值与技术使命感较强。
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