Watch Jobs
PINGAN logo
中国平安
搜推算法工程师-大模型方向
立即应聘

搜推算法工程师-大模型方向

发布于 大约 8 小时前

普通员工/个人贡献者

深圳市
中级经验
全职员工
仅现场办公
硕士
研究与开发 (研发)
Llm
Lora
Pytorch
Rag
大模型
推荐系统
搜索

AI 估算 · 30k–60k

大模型方向是前沿热门，平安作为巨头企业薪资有竞争力，硕士+中级经验，月薪3-6万合理。

职位详情

关于这个职位

该职位专注于将大模型技术应用于搜索与推荐系统，涉及生成式搜推架构设计、RAG知识增强、多模态数据语义对齐、模型微调优化及智能体探索

你将推动从传统关键词匹配向意图理解与内容生成的演进，解决冷启动、长尾Query理解等难题，提升系统准确性和相关性
适合对大模型有浓厚兴趣、具备扎实深度学习背景的算法工程师

最低要求

学历背景：计算机、人工智能、数学等相关专业，硕士及以上学历，对大模型技术有浓厚兴趣和研究

编程与框架：精通 Python，熟悉 PyTorch/TensorFlow 深度学习框架
熟练掌握 Hugging Face Transformers、LangChain、LlamaIndex 等大模型开发生态工具
大模型核心技术：深入理解 Transformer 架构及其变体，熟悉 Attention 机制、RoPE、FlashAttention 等关键技术细节
有实际的大模型微调（Full Fine-tuning, LoRA, P-Tuning）、Prompt Engineering 或 RAG 系统搭建经验
搜推业务融合：深刻理解传统搜推流程（召回/排序/重排），并能清晰阐述如何将 LLM 融入现有链路（例如：用 LLM 做 Query 改写、用 LLM 做重排打分、用 LLM 生成推荐理由）
熟悉向量数据库（Milvus, Faiss, Pinecone）及 Embedding 技术
软技能：具备极强的技术敏锐度，能快速跟踪最新论文并转化为实验方案

工作职责

生成式搜推架构设计：主导基于大模型的搜索与推荐系统架构演进，探索将 LLM 应用于召回、排序及重排阶段，实现从“关键词匹配”向“意图理解与内容生成”的跨越

RAG 与知识增强：构建基于检索增强生成（RAG）的垂直领域知识库，解决传统搜推中冷启动、长尾 Query 理解难及事实性幻觉问题，提升回答的准确性与相关性
数据语义对齐：利用多模态大模型（LMM）处理文本、图像、视频等多源数据，挖掘深层语义特征，优化多模态内容的召回与排序效果
负责对应的大数据特征加工用于算法训练
模型微调与优化：负责开源大模型（如 Llama, Qwen, ChatGLM 等）或基座模型的领域微调（SFT）、指令微调（Instruction Tuning）及人类反馈强化学习（RLHF），使其适配特定业务场景
智能体（Agent）探索：探索基于 Agent 的交互式搜索推荐，让用户通过自然对话完成复杂的任务规划与决策辅助

AI 洞察

优缺点分析

优点

  • 大模型是当前AI最热方向，积累前沿技术经验，职业竞争力强
  • 平安平台大，资源丰富，有机会接触海量数据和业务场景
  • 薪资待遇优厚，且金融行业相对稳定
  • 大模型技术迭代快，需要持续学习最新论文，工作强度可能较大
  • 适合对LLM充满热情、有搜推背景且渴望技术突破的算法工程师，能适应快速变化的技术环境

缺点 / 挑战

  • 搜推与LLM融合仍在探索期，落地挑战多，需要较强的创新和工程能力
  • 岗位要求知识面广（搜推、NLP、多模态），入门门槛较高

角色解读

  • 在搜推大模型领域深耕，成为架构师或技术专家，主导下一代AI系统设计
  • 转向更通用的AI研发，如多模态、Agent、通用人工智能方向
  • 在金融科技场景积累业务理解，可发展为AI产品负责人或技术管理者
  • 设计并实现基于大模型的搜索推荐系统架构，将LLM应用于召回、排序、重排等环节
  • 构建检索增强生成（RAG）知识库，解决冷启动和长尾Query问题
  • 利用多模态大模型处理文本、图像等数据，优化语义特征和排序效果
  • 微调开源大模型（如Llama、Qwen），通过SFT、RLHF适配业务场景
  • 精通Python和PyTorch/TensorFlow，熟练使用Hugging Face、LangChain等工具
  • 深入理解Transformer架构、Attention机制、RoPE、FlashAttention等细节
  • 有实际的大模型微调（LoRA、P-Tuning）和RAG系统搭建经验
  • 熟悉传统搜推流程（召回/排序/重排）并能融合LLM

申请策略

  • 准备一个结合LLM和搜推的系统设计方案，展示架构思维
  • 关注平安的业务特点（金融、保险等），思考大模型在垂直领域的应用场景
  • 突出大模型微调、RAG或Prompt Engineering的实践经验，最好有具体项目成果
  • 强调搜推相关项目，尤其是将LLM融入召回/排序/重排的尝试
  • 展示开源贡献或顶会论文，证明技术敏锐度和研究能力
  • 详细说明编程能力和框架使用经验，尤其是PyTorch、LangChain等
  • 补全向量数据库（Milvus、Faiss）和Embedding技术的实战经验
  • 熟悉多模态大模型（如CLIP、BLIP）的基本原理和应用

面试指南

  • 结合具体项目，先描述传统方案，再引入LLM的创新点，最后总结效果
  • 从问题定义、现有方法、改进思路、实验结果四个层次回答
  • 注意展示对技术细节的深入理解，如RoPE的位置编码优势
  • 请详细说明你如何将LLM融入现有搜索推荐系统的召回和排序环节？
  • 解释RAG的工作原理，并讨论如何解决事实性幻觉问题？
  • 你如何选择基座模型并进行领域微调？请描述LoRA的原理和优势
  • 谈谈Multi-Head Attention和FlashAttention的区别和优化点
  • 如何在多模态场景下对齐文本和图像特征？

职位点评

67
综合评分

前沿大模型搜推方向，技术成长极快，但WLB一般，薪资面议但有竞争力。

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。

更适合这类人
适合追求技术前沿和职业成长、能接受高强度工作的算法工程师。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展95
工作生活40
使命价值70

薪资福利

60中等

薪资面议，但平安作为上市巨头，整体薪资福利有保障，但缺乏明确数据，保守评分。

薪资信号面议 (30K-60K/月)

成长发展

95较高

大模型方向是前沿技术，岗位涉及从架构到落地的全链路，成长空间极大。

技术前沿前沿/新兴技术
技术栈LLM、RAG、LoRA、RLHF、多模态、Agent
业务类型profit_center

工作生活

40较低

仅现场办公，未提及弹性工作制或WLB，且搜推大模型方向通常强度较大。

工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）

使命价值

70中等

金融科技领域有社会价值，但岗位本身商业导向强，意义感中等偏上。

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

中国平安 的其他在招职位

相似职位推荐

Watch Jobs