中国平安
算法工程师
算法工程师
发布于 大约 15 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
软件工程
NLP
RAG
大模型
AI智能体
LangGraph
Faiss
AI 估算 · 15k–25k
深圳大厂算法岗，薪资有竞争力，需3年以上经验，综合市场水平估算。
职位详情
关于这个职位
作为中国平安的算法工程师，你将专注于大模型应用、RAG系统和AI智能体的研发与落地，负责从模型微调、检索增强到智能体协同的全链路开发，推动AI技术在金融等垂直场景的智能化升级
该职位要求扎实的NLP与工程化能力，适合希望深入前沿AI技术并解决实际业务问题的算法人才
最低要求
学历专业：硕士及以上学历，计算机科学、人工智能、软件工程、数学、统计学等相关专业，3年以上大模型应用、RAG、智能体、NLP算法落地相关工作经验
核心技术能力：
扎实的深度学习与NLP基础，熟悉Transformer架构、大模型基础原理，了解SFT、对齐微调等大模型优化技术
具备完整RAG项目落地经验，熟练掌握文档处理、向量检索、混合检索、Re-ranking优化，熟悉Milvus、FAISS等向量数据库
具备AI智能体开发经验，熟练使用LangChain、LangGraph等框架，了解智能体规划、工具调用、多智能体协作机制
工具与工程能力：熟练使用Python进行算法开发，熟悉大模型API调用、模型轻量化、推理加速，具备完整的算法工程化落地、线上部署迭代经验
综合素质：具备独立技术调研、方案设计和问题排查能力，逻辑思维清晰，抗压能力强，善于总结沉淀，有良好的跨团队沟通协作能力
工作职责
大模型应用研发与优化：负责主流开源/商用大模型的本地化部署、微调、Prompt工程优化，针对业务场景完成模型适配、效果调优、性能压测，提升大模型生成准确率、稳定性与响应速度，保障线上业务稳定运行
RAG系统全流程搭建：负责企业级RAG检索增强生成系统架构设计与迭代，完成文档解析、清洗、分块、向量化、索引构建、混合检索、重排序、上下文压缩等全链路开发，优化检索召回率、精准度，解决大模型幻觉、知识时效性不足等核心问题
AI智能体研发落地：基于LangChain、LangGraph等主流框架，设计开发单智能体及多智能体协同系统，实现智能体自主规划、工具调用、多轮对话、任务拆解与自动化执行，落地垂直场景自动化业务流程
算法迭代与效果评测：搭建完善的算法效果评估体系与监控机制，持续优化检索算法、生成模型链路、智能体决策逻辑，跟进前沿大模型技术，完成技术调研、方案落地与技术沉淀
业务赋能与技术协作：结合实际业务需求，输出智能化解决方案，对接产品、开发团队，推进AI算法功能落地、迭代优化，沉淀可复用的大模型、RAG、智能体技术组件与规范
优先资格
有垂直行业知识库搭建、自动化Agent落地项目经验
熟悉知识图谱、多模态大模型技术
有开源大模型二次开发、私有化部署经验者优先
AI 洞察
优缺点分析
优点
- 聚焦大模型、RAG和AI智能体等前沿技术，技能积累价值高
- 依托平安的金融场景，AI落地机会多，可以积累丰富的行业解决方案经验
- 公司规模大，平台稳定，有完整的研发体系和资源支持
- 技术栈更新快，需要持续学习前沿算法和框架，对自驱力要求高
- 跨部门协作较多，需要良好的沟通和业务理解能力
- 适合对NLP和大模型有热情、具备扎实工程能力、希望在高强度技术环境中快速成长的算法工程师
缺点 / 挑战
- 涉及模型部署和线上优化，对工程化能力和抗压能力有较高要求
角色解读
- 在AI领域深耕，向大模型专家或架构师方向发展，主导更复杂的智能系统设计
- 横向拓展至金融、医疗等垂直行业，成为行业AI解决方案专家
- 向技术管理岗位发展，带领团队完成AI技术从研发到落地的全流程
- 负责大模型的本地化部署、微调和Prompt优化，提升模型在业务场景中的准确性和稳定性
- 搭建企业级RAG系统，包括文档处理、向量检索、混合检索和重排序，解决大模型幻觉和知识时效性问题
- 基于LangChain等框架开发AI智能体，实现自主规划、工具调用和多智能体协同，自动化业务流程
- 建立算法评估体系，持续优化模型和检索链路，并跟进前沿技术进行技术沉淀
- 扎实的深度学习与NLP基础，熟悉Transformer架构和大模型原理
- 完整的RAG项目经验，熟练使用向量数据库（Milvus/FAISS）和检索优化技术
- AI智能体开发经验，熟悉LangChain/LangGraph等框架
- 优秀的Python工程能力，包括模型轻量化、推理加速和线上部署经验
申请策略
- 提前了解平安的AI业务方向（如金融风控、客服、营销），在面试中展示匹配度
- 准备一个完整的项目案例，从问题分析到方案设计、落地效果，体现技术深度和业务思维
- 突出大模型微调、RAG系统搭建或智能体开发的实际项目经验，用具体指标（如召回率提升、响应速度优化）量化成果
- 强调Python工程化能力，如模型部署、推理加速的经验
- 展示对前沿技术的跟进，如LangChain、LangGraph框架的使用
- 如果有金融或知识库相关背景，务必重点提及
- 系统学习RAG全链路技术，实践Milvus、FAISS等向量数据库
- 深入LangChain框架，尝试搭建一个简单的多智能体系统
面试指南
- 对于项目经验类问题，采用STAR原则（情境-任务-行动-结果）结构化回答，重点突出技术决策和量化成果
- 对于技术原理类问题，先简述核心概念，再结合具体实践说明，展现深度理解
- 对于开放性问题，展示学习能力和思考框架，例如通过对比不同技术方案优劣来体现判断力
- 请详细描述你曾经负责的一个RAG项目，包括技术选型、架构设计、效果优化过程
- 在微调大模型时，你是如何平衡模型效果和推理速度的？遇到过哪些挑战？
- LangChain框架中，Agent和Chain的区别是什么？如何设计一个多智能体协作系统？
- 如何评估RAG系统的检索质量？你使用过哪些指标和工具？
- 你如何跟进大模型领域的最新进展？请举例说明你最近研究的一个前沿技术
职位点评
68
综合评分
前沿技术栈、大平台、薪资有竞争力，但工作强度不低且缺少WLB保障。
更适合这类人
最看重技术成长和前沿探索，对工作生活平衡要求不高，追求在大型平台积累AI顶尖经验的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利75
成长发展90
工作生活45
使命价值60
薪资福利
75中等
薪资位于深圳大厂中上水平，且有明确的薪资范围，福利方面未明确提及，但作为上市大公司，基本福利应有保障。
薪资信号市场水准 (15K-25K/月)
成长发展
90较高
该职位涉及大模型、RAG、AI智能体等前沿技术，且明确要求跟进前沿技术，成长空间大，但未提及内部培训或晋升通道。
技术前沿前沿/新兴技术
技术栈大模型、RAG、LangChain、LangGraph、NLP、Transformer、Milvus、FAISS
成长机会跟进前沿大模型技术
业务类型ambiguous
工作生活
45较低
要求现场办公，未提及弹性工作或远程，且深圳科技公司通常工作强度较高，但无明确加班信号。
工作模式仅现场办公
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
60中等
金融科技行业稳定，但职位更多是技术赋能，社会影响力一般，属于稳健跟随主流技术。
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