中国平安
算法工程师（智能体）
算法工程师（智能体）
发布于 大约 20 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Glm
Kimi
Multi-Agent
Qwen
Rag
Rlhf
Sft
多模态大模型
值不值得投
73综合评分
综合评分 73
前沿技术栈，业务价值高，薪资面议，WLB未明确。
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
48K
比算法优化工程师中位数高
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 15130 个在招
市场机会
选择适中
深圳 · 算法优化工程师 · 19 个在招
职位详情
关于这个职位
该职位负责保险核保核赔场景下多模态大模型与智能体的算法研发，包括多模态对齐、Agent构建、RAG优化、模型微调与部署等
你将参与从数据闭环到前沿技术探索的完整链路，推动AI在保险业务中的落地
适合对多模态、大模型和智能体技术有深入理解，并希望在金融领域应用AI的算法工程师
最低要求
学历背景：硕士及以上学历，计算机、人工智能、软件工程、数学等相关专业
技术能力：
熟悉Agent，multi-agent相关技术能力并有相关落地经验
熟悉大语言模型（LLM）的原理与应用，有模型微调经验
熟悉SOTA多模态大模型（Qwen, Kimi, GLM），有相关项目经验
编程能力：熟练掌握Python，具备良好的工程化能力
数学基础：具备扎实的线性代数、概率统计、优化算法基础
项目经验：有医疗保险，医疗数据相关、金融风控领域的项目经验者优先
学习与协作：具备极强的自我驱动力、跨学科学习能力与团队协作精神，对AI技术在保险行业的落地有高度热情
工作职责
多模态算法研发：负责保险核保核赔场景下多模态大模型/Agent（如医疗影像、体检报告、病历文本等）的算法研发，实现跨模态信息的精准对齐、融合与推理，提升核保核赔决策的准确率与可解释性
智能体（Agent）构建：设计并开发面向核保流程的AI智能体，构建包含任务规划、工具调用、多轮对话等核心能力的Multi-Agent协作模式，推动核保流程的自动化与智能化
知识库与RAG优化：构建并优化保险条款、医学指南等领域知识库，结合检索增强生成（RAG）技术，解决大模型在复杂核保规则下的幻觉问题，提升专业场景下的推理准确性
模型微调与部署：负责多模态基座模型的SFT（监督微调）与RLHF（人类反馈强化学习），并主导模型在核保生产环境中的工程化落地，包括推理加速、显存优化及高并发服务部署
数据闭环建设：设计并搭建自动化数据处理流水线，负责核保相关多模态数据的清洗、结构化标注与质量评估，构建高质量领域数据集以支持模型持续迭代
前沿技术探索：跟踪大模型与多模态领域的最新学术进展（如MoE、Long Context），探索其在保险反欺诈、精准定价及动态风险评估中的应用
优先资格
加分项：
在CVPR、ACL、ICCV、EMNLP等顶会发表过相关论文
有医疗影像（如CT、B超）或体检报告处理的实际项目经验
有智能体（Agent）或RAG相关技术的落地经验
熟悉因果推断（Causal Inference）或可解释性AI在实际业务应用
AI 洞察
优缺点分析
优点
- 技术前沿性强，涉及多模态大模型、Agent、RAG等热门领域，个人技术成长快
- 业务场景明确且落地价值高，能直接看到AI技术在保险业务中的实际效果
- 公司平台大，资源丰富，有较好的技术积累和团队协作环境
- 对技术深度和广度要求高，需要同时掌握多模态、Agent、RAG、模型部署等多方面技能
- 保险业务场景复杂，对模型准确率和可解释性要求高，技术落地难度大
- 金融行业对数据安全和合规要求严格，可能带来额外的开发约束
- 适合对AI前沿技术有强烈热情，具备扎实算法功底和工程能力，并希望在金融科技领域深耕的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：在多模态、Agent、RAG等方向深耕，成为领域专家
- 技术管理路线：带领团队负责核心算法研发与落地，晋升为技术负责人
- 业务融合路线：深入保险业务，成为AI+保险领域的复合型专家，推动业务创新
- 负责保险核保核赔场景下多模态大模型与智能体的研发，包括医疗影像、体检报告、病历文本等数据的处理与融合
- 设计并开发AI智能体，构建Multi-Agent协作模式，实现任务规划、工具调用和多轮对话，推动核保流程自动化
- 构建领域知识库并优化RAG技术，解决大模型在复杂核保规则下的幻觉问题，提升推理准确性
- 负责模型微调（SFT/RLHF）与工程化部署，包括推理加速、显存优化和高并发服务，并搭建数据闭环流水线
- 扎实的Agent与Multi-Agent技术能力，并有实际落地经验
- 熟悉大语言模型（LLM）原理与应用，具备模型微调经验
- 熟悉SOTA多模态大模型（如Qwen, Kimi, GLM）并有项目经验
- 熟练掌握Python，具备良好的工程化能力，以及扎实的数学基础
申请策略
- 在申请时，可以主动表达对保险业务的理解和兴趣，展示跨领域学习的意愿
- 关注中国平安的AI战略和业务布局，了解其核保流程，在面试中体现业务洞察
- 突出多模态大模型、Agent或RAG相关的项目经验，详细描述你在其中的具体贡献和成果
- 强调模型微调（SFT/RLHF）和部署经验，包括推理加速、显存优化等工程化能力
- 展示医疗、金融风控领域的项目经历，体现对业务场景的理解
- 如有顶会论文，务必列出，这是重要的加分项
- 系统学习Agent和Multi-Agent相关技术，如LangChain、AutoGen等框架，并尝试构建实际应用
- 深入理解RAG技术，包括向量数据库、检索策略、重排序等，并实践优化
面试指南
- STAR法则：描述情境、任务、行动和结果，突出你的技术决策和量化成果
- 结构化表达：先总述思路，再分点阐述，最后总结，体现逻辑清晰
- 结合业务：在回答技术问题时，主动关联保险业务场景，展示业务理解能力
- 请详细介绍一下你过去负责的多模态大模型项目，包括技术选型、模型架构和落地效果
- 如何设计一个Multi-Agent系统来解决复杂的核保任务？请描述其架构和关键模块
- 在RAG系统中，如何解决大模型在专业领域（如医学）的幻觉问题？
- 你如何评估一个微调后的模型在核保场景下的性能？有哪些关键指标？
- 请谈谈你对大模型在保险行业应用前景的看法
职位点评
薪资福利70
成长发展90
工作生活50
使命价值80
薪资福利
70中等
薪资面议，但作为上市巨头企业，薪酬竞争力较强，福利体系完善。
薪资信号面议 (35K-60K/月)
成长发展
90较高
职位涉及多模态大模型、Agent、RAG等前沿技术，技术成长性强，且有明确的业务落地场景。
技术前沿前沿/新兴技术
技术栈多模态大模型、Agent、Multi-Agent、RAG、SFT、RLHF、Python、Qwen、Kimi、GLM
业务类型profit_center
工作生活
50较低
JD未提及工作模式，需现场办公，工作强度可能较高，但未明确说明。
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
80较高
AI在保险行业的应用具有明确的社会价值，能提升核保效率与准确性，推动行业智能化。
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