滴滴出行
支付风控资深算法工程师
支付风控资深算法工程师
发布于 8 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Ai Agent
Graphsage
Neo4J
Rag
Sql
图算法
大模型
支付风控
数据挖掘
值不值得投
77综合评分
综合评分 77
技术前沿、业务核心、薪资偏高，但对技术深度要求高，工作生活平衡情况未知。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
5万
比人工智能中位数高
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 1070 个在招 · 其中人工智能 13 个
市场机会
选择面较广
北京 · 人工智能 · 约 560 个在招
职位详情
关于这个职位
这是滴滴支付科技部的资深算法工程师职位，专注于国际支付业务的风控系统
你需要负责构建和优化支付风险识别与决策模型，深入挖掘欺诈、洗钱等风险特征，并探索将图神经网络、大语言模型、AI Agent等前沿技术应用于风控场景，以提升业务的安全性、智能化水平和自动化能力
最低要求
在互联网行业从事算法相关工作3年以上，有风控相关从业经验加分
计算机、数学、统计学等专业硕士及以上学历，有海外留学经历者加分，具备一定基础的英语交流能力
熟练掌握Python/SQL等建模语言和数据挖掘工具, 对图数据结构和图算法有深入的理解，有过Neo4j、Nebula、ArangoDB或其他图数据库使用经验者优先考虑，熟悉GraphSAGE、GCN、GAT等算法，有过实际业务应用经验者优先考虑
熟悉Transformer等序列建模结构，有十亿及以上参数量级模型的Pre-train或Continual Pre-train经验者优先，理解数据配比、训练稳定性、Scaling Law等关键问题
具备AI Agent应用的设计与落地能力，熟悉Function Calling/Tool Use、MCP、RAG、多Agent协作与workflow编排等技术，有Agent在真实业务链路中落地经验者优先
对新技术保持敏感和好奇，具备良好的业务理解能力、沟通协作能力和抗压能力
工作职责
负责国际收单、钱包等场景的支付风险识别&决策模型的选型、开发和优化，负责模型部署应用、维护、监控和升级迭代
深入理解国际支付业务和风险，总结和提炼用户行为序列、欺诈、赌博、洗钱、诈骗等风险特征，并对特征挖掘结果进行评估和验证
负责建模流程优化，提升模型开发和部署效率，降低模型维护成本
基于业务数据构建知识图谱，并解决业务问题，应用图计算（图神经网络、社区发现）等技术建模分析，探索新技术的应用落地并完成性能调优
探索大模型与序列模型在支付风控中的应用，基于用户行为序列、交易序列等业务数据开展大参数量序列模型的预训练/继续预训练与下游任务微调，构建风控领域基础模型能力
推动AI Agent在风控业务链路中的落地，围绕智能审核、案件调查辅助、策略与规则自动生成、风险归因与报告生成等场景设计Agent方案，并负责效果评测、可靠性与成本优化
优先资格
有风控相关从业经验加分
有海外留学经历者加分
有过Neo4j、Nebula、ArangoDB或其他图数据库使用经验者优先考虑
有过GraphSAGE、GCN、GAT等图算法实际业务应用经验者优先考虑
有十亿及以上参数量级模型的Pre-train或Continual Pre-train经验者优先
有AI Agent在真实业务链路中落地经验者优先
AI 洞察
优缺点分析
优点
- 技术栈前沿：有机会直接应用图计算、大模型、AI Agent等最新技术解决真实世界的大规模支付风控问题
- 业务价值高：直接服务于公司的核心支付业务，工作成果对业务安全和增长有直接影响，成就感强
- 平台资源好：在大型科技公司，拥有海量数据、丰富的算力资源和成熟的研发体系支持
- 技术难度大：涉及的技术领域（如大模型预训练、Agent可靠性）都是当前的前沿课题，学习曲线陡峭
- 技术迭代迅速：AI领域技术更新换代快，需要持续投入大量时间和精力学习新技术、新论文
- 适合具备扎实算法基础，对风控或金融领域有浓厚兴趣，并热衷于探索和应用最前沿AI技术来解决复杂实际问题的工程师
缺点 / 挑战
- 业务压力直接：风控模型需要与黑产“赛跑”，对模型效果和响应速度要求高，工作节奏快
角色解读
- 技术专家路线：在风控算法领域持续深耕，成为图模型、大模型应用或Agent系统方面的技术权威
- 技术管理路线：带领算法团队，负责更复杂的业务线或技术平台的整体规划与落地
- 跨领域发展：凭借扎实的算法功底和对金融业务的理解，向量化风控、智能定价等更广泛的金融科技领域拓展
- 负责支付风控核心模型的研发与优化，包括风险识别、特征工程和模型部署，直接保障国际支付业务的安全
- 运用图神经网络、大模型、AI Agent等前沿技术解决复杂的反欺诈、反洗钱问题，推动风控系统的智能化升级
- 深入理解支付业务，从数据中挖掘风险规律，并通过算法模型和自动化工具（如Agent）提升整体风控效率
- 扎实的算法与工程能力：精通Python/SQL，熟悉主流机器学习框架，能独立完成从建模到部署的全流程
- 特定领域技术深度：具备图算法（如GraphSAGE）、大模型训练（Pre-train）或AI Agent应用开发的实际经验
- 业务与技术融合能力：能快速理解支付业务场景，将算法技术转化为解决实际风险问题的方案
申请策略
- 深入研究滴滴的支付业务和已有的公开风控技术文章，在面试中展现你对业务的理解和技术洞察
- 准备一个能体现你综合能力的项目案例，最好是涵盖数据处理、模型开发、工程落地和业务影响的全过程
- 突出风控或反欺诈相关的项目经验，即使是其他领域的（如广告反作弊、内容风控）也应强调
- 详细描述与JD中要求技能相关的技术实践，如：参与过图数据库项目、主导过大模型微调、设计过Agent工作流等
- 量化项目成果，例如：“将欺诈识别准确率提升了X%”、“将模型推理速度降低了Y%”、“将人工审核效率提升了Z%”
- 系统复习和实践图算法（如GNN）在推荐、风控领域的经典应用案例，并尝试复现相关论文
- 了解大语言模型微调（LoRA、QLoRA）、RAG和AI Agent框架（如LangChain、AutoGen）的技术原理和最佳实践
- 补充支付行业和金融风控的基础知识，了解常见的欺诈模式和反洗钱规则
面试指南
- 使用STAR法则（情境-任务-行动-结果）来组织项目经历的叙述，重点突出你在其中的技术决策和贡献
- 对于技术深度问题（如GNN应用、大模型训练），采用“问题定义-技术选型-方案细节-潜在挑战-优化思路”的结构来回答
- 回答系统设计类问题时，先明确目标与约束，再分解模块，阐述每个模块的技术方案选择理由和交互流程
- 请介绍一个你过去做过的风控模型项目，你是如何进行特征工程和模型选择的？效果如何？
- 如何将图神经网络（GNN）应用到支付反欺诈场景中？你会如何构建这个图，又会使用哪些具体的GNN算法？
- 如果让你设计一个用于支付案件自动调查的AI Agent，你会如何定义它的角色、工具和工作流？
- 你如何评估一个新上线的风控模型？线上A/B测试和线下离线评估可能有哪些不一致的地方？
- 对于十亿参数级别的大模型进行预训练或微调，你认为最大的挑战是什么？（如数据、算力、训练稳定性）
职位点评
薪资福利82
成长发展90
工作生活55
使命价值68
薪资福利
82较高
该职位为大型上市企业的资深技术岗，薪资具有市场竞争力，福利保障较为完善。
薪资信号偏高 (3.5千–6.5万/月)
成长发展
90较高
JD要求掌握图算法、大模型、AI Agent等前沿技术，并应用于核心业务，对个人技术视野和深度有很高的提升价值。
技术前沿前沿/新兴技术
技术栈图算法、GraphSAGE、GCN、Transformer、大模型、Pre-train、AI Agent、RAG、MCP
业务类型profit_center
工作生活
55较低
JD未明确说明办公模式和工作强度，作为核心业务的技术岗位，可能面临一定的业务压力。
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
68中等
岗位服务于金融科技和支付安全，有防范金融风险的中性社会价值，行业处于稳定发展阶段。
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