算法资深工程师

优缺点分析

角色解读

• 在金融这一高复杂度、强合规的场景中打磨 Agent 系统，积累从技术选型到规模化落地的完整经验，是稀缺的复合型能力
• 可沿技术专家路线深入大模型/Agent 架构与推理优化，或转向算法方向负责人、技术团队管理岗
• 顶会论文、竞赛榜单与技术影响力有明确加分，便于在行业内建立个人品牌与议价空间
• 负责跟踪前沿 Agentic AI 技术（Deep Research、CodeAgent、Agentic RAG 等），评估其在金融场景的潜力，形成技术选型矩阵与集成方案
• 主导设计并迭代面向金融业务的 Agent 系统，重点建设 ContextEngine、Memory、Tool Use、ReAct、Plan-and-Execute、Skill、Knowledge Graph 等核心能力
• 针对 TTFT/TPOT/吞吐等指标做推理性能优化与加速，在提升用户体验的同时降低 token 成本
• 承担算法方向规划、方案设计与跨团队协同，在项目中发挥技术引领作用，带动团队整体技术能力提升
• 扎实的 Python 工程能力与数据结构、算法基础，能熟练使用 AI coding 工具提升研发效率
• 对机器学习、深度学习、强化学习有系统理解，熟悉 Transformer 架构及主流大模型（如 GPT/DeepSeek）与 LangChain 等生态
• 深入理解 agentic AI 关键机制（agent loop、memory、context engine、harness engineering），并有将技术落到真实业务场景的能力
• 具备大模型相关项目的实际落地与调优经验，能从性能指标和成本角度做系统性优化

申请策略

• 投递前先了解平安在大模型与智能体方面的公开技术分享与产品落地，面试中主动对齐其金融场景诉求
• 面议薪资下，建议提前梳理自己的项目成果与市场区间，面试定级环节主动沟通职级与薪酬结构
• 用具体项目写清楚你主导过的 Agent/大模型系统，包括技术选型、核心模块（Memory、Tool Use、RAG 等）设计与最终业务指标
• 量化推理性能优化成果，如延迟指标改善、吞吐提升与 token 成本下降幅度，突出工程落地能力
• 列出大模型/强化学习/后训练等相关项目经验及年限，并单独呈现顶会论文、竞赛榜单、开源贡献等影响力证据
• 若有跨团队协作或小型技术带队经历，建议以「技术引领」的方式描述，体现方向规划能力
• 系统性补齐 Agentic AI 关键机制的知识与实操，如 agent loop、ReAct、Plan-and-Execute、Memory 与 Knowledge Graph 的组合设计
• 准备推理加速与成本优化相关实践，熟悉 vLLM/SGLang 等推理框架及 TTFT/TPOT/吞吐调优方法

面试指南

• 项目类问题采用「背景-目标-方案-结果」结构，先讲业务痛点与约束，再讲技术选型理由与关键取舍，最后用指标量化结果
• 技术深度问题采用「原理-实现-踩坑-优化」结构，展示对机制的真正理解而非名词堆砌
• 开放设计题采用「场景拆解-候选方案对比-选型依据-落地路径与风险控制」结构，体现工程判断与业务意识
• 请介绍一个你主导过的 Agentic AI 系统，说明架构设计、核心模块划分与最终业务效果
• 在 ContextEngine/Memory/Tool Use/ReAct 中，你最擅长哪一块？遇到过什么问题、如何解决？
• 你是如何做推理性能优化的？如何平衡 TTFT/TPOT、吞吐与 token 成本？
• 如果要把 Deep Research 或 CodeAgent 类能力落到金融场景，你会如何做技术选型与风险评估？
• 你如何在一个跨团队项目中发挥技术引领作用，推动方案落地？