PINGAN logo
中国平安
资深算法工程师(基础设施组)

资深算法工程师(基础设施组)

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 4.0–7.0万 · AI 参考估算
高级经验
学历未注明
全职员工仅现场办公AI算法
AI算法
Agent开发
Llm
Prompt Engineering
Rag
向量数据库

值不值得投

80综合评分

综合评分 80

前沿AI技术栈、大厂平台、高成长潜力,WLB待确认

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

5.5万

比AI算法中位数高

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 13170 个在招 · 其中AI算法 2 个

市场机会

选择适中

深圳 · AI算法 · 42 个在招

职位详情

关于这个职位

该职位负责基于LLM构建自动化数据处理Agent,打通大数据与大模型融合链路

需设计RAG数据管线及Multi-Agent协作流程,实现从数据采集到结构化入库的全链路自动化
同时负责大模型应用落地,优化API服务效果与延迟

最低要求

Agent开发(核心):有实际数据Agent项目经验——能设计ReAct/Plan-and-Execute链路,让LLM自主调度SQL、数据采集、ETL工具、文件处理等完成复杂数据任务

大数据能力:熟练使用Spark/Flink/Hive处理海量数据
熟悉向量数据库(Milvus/Qdrant/Elasticsearch)
大模型理论基础:理解Transformer/Attention机制、上下文窗口限制、幻觉成因
熟悉RAG原理与优化策略(Rewrite/Rerank/Hybrid Search)
工程能力:Python扎实
熟悉FastAPI
了解Docker/K8s
有vLLM/TGI推理部署经验优先

工作职责

数据 Agent 开发:基于 LLM 构建自动化数据处理 Agent,覆盖数据采集、清洗、去重、质量评估、标注、结构化入库全链路

让 Agent 能自主规划数据任务、调用工具、迭代修正输出
大数据 × 大模型融合:设计 RAG 数据管线(Chunking / Embedding / Hybrid Search),将企业级结构化与非结构化数据与 LLM 推理打通
探索知识图谱增强、数据蒸馏、合成数据生成等方案
Agent 系统研发:基于 LangChain / LangGraph / AutoGen 等框架开发具备规划、记忆、工具调用能力的 Agent
设计 Multi-Agent 协作流程,负责评测体系(工具调用准确率、端到端任务完成率)
大模型应用落地:根据业务场景选型基座模型,实施 Prompt Engineering / RAG / Agent 方案,封装为 API 服务并持续优化效果与延迟

优先资格

加分:MCP协议经验、多模态Agent、AI安全(Prompt Injection防御)、开源项目贡献

AI 洞察

优缺点分析

优点

  • 聚焦最前沿的LLM Agent与RAG技术栈,技术含金量高
  • 依托平安集团庞大业务场景,数据资源丰富,落地机会多
  • 大厂平台背书,有利于职业履历提升
  • 技术迭代极快,需持续学习最新模型与框架
  • 对AI前沿技术有热情,具备扎实工程能力与大数据处理经验的资深算法工程师

缺点 / 挑战

  • 企业级数据治理复杂度高,Agent稳定性与准确性挑战大
  • 工作强度可能较高,需应对快速交付压力

角色解读

  • 向AI基础设施专家方向发展,成为大模型应用落地的核心技术骨干
  • 可拓展至多模态Agent、AI安全等前沿领域,或转向AI架构师角色
  • 构建基于LLM的数据Agent,实现数据采集、清洗、入库的全链路自动化
  • 设计RAG数据管线和Multi-Agent协作流程,解决企业级非结构化数据处理难题
  • 将大模型能力封装为API服务,优化推理效果与延迟
  • 精通Python及FastAPI,熟练掌握Spark/Flink等大数据处理框架
  • 深入理解Transformer架构、RAG原理及优化策略
  • 具备Agent开发经验,熟悉LangChain/LangGraph等主流框架

申请策略

  • 准备详细的项目案例,说明如何解决Agent在复杂数据任务中的痛点
  • 了解平安集团在AI领域的战略布局,展现业务匹配度
  • 突出Agent开发实战经验,展示ReAct/Plan-and-Execute链路设计案例
  • 强调大数据处理规模与性能优化成果
  • 列举RAG优化策略及具体指标提升
  • 深化对LangGraph/AutoGen等多Agent框架的理解
  • 补充向量数据库调优及推理部署(vLLM/TGI)经验
  • 关注AI安全与Prompt Injection防御技术

面试指南

  • 使用STAR法则描述项目背景、任务、行动与结果
  • 重点阐述技术选型的理由、遇到的难点及解决方案、最终的业务价值或技术指标提升
  • 请分享一个你设计的Agent项目,它是如何自主调度工具和修正输出的?
  • 在RAG系统中,如何处理长上下文和幻觉问题?有哪些优化策略?
  • 如何评估Multi-Agent协作的效果?遇到过哪些挑战?
  • 面对海量非结构化数据,如何设计高效的ETL与向量化流水线?
  • 复习Transformer核心机制与RAG最新论文
  • 准备1-2个完整的Agent开发案例,涵盖数据流、控制流与评估体系

职位点评

薪资福利85
成长发展92
工作生活60
使命价值70

薪资福利

85较高

作为上市巨头企业的资深岗位,虽然薪资面议,但通常提供具有竞争力的薪酬包和完善的福利体系,满足补偿性动机。

薪资信号面议 (4.0千–7.0万/月)

成长发展

92较高

职位涉及LLM Agent、RAG、Multi-Agent等前沿技术,技术栈非常先进,能提供极高的技能成长空间和技术视野。

技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、LangChain、LangGraph、AutoGen、Spark、Flink、Transformer、vLLM
业务类型profit_center

工作生活

60中等

JD未明确提及WLB或弹性工作制,作为大厂核心研发岗,可能面临一定的工作强度和交付压力,生活化动机满足程度中等。

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

70中等

通过技术手段提升数据处理效率和企业智能化水平,具有一定的行业应用价值和社会影响力,但主要服务于商业目标。

行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs