算法高级工程师

优缺点分析

角色解读

• 从高级算法工程师向智能体系统架构师或技术专家方向发展，主导金融 AI 平台的核心能力建设
• 若具备管理意愿，可向技术管理岗过渡，带领团队推进跨业务线的 AI 落地
• 在金融与 agentic AI 交叉领域深耕，形成稀缺的垂域技术壁垒
• 跟踪 agentic AI 前沿技术（如 Deep Research、CodeAgent、Agentic RAG），评估其在金融场景的落地潜力，构建技术选型矩阵
• 主导设计并迭代面向金融场景的智能体系统，重点突破 ContextEngine、Memory、Tool Use、ReAct、Plan-and-Execute 等核心能力
• 针对 TTFT/TPOT/吞吐等性能指标优化推理，实现推理加速并降低 token 成本，提升用户体验
• 独立对接多方业务需求，协调推进技术方案在金融业务中的落地执行
• 扎实的 Python 编程与数据结构算法功底，熟悉 AI coding 工具的使用
• 对机器学习、深度学习、强化学习有较深理解，熟悉 Transformer 架构及主流大模型
• 掌握 agentic AI 相关技术（agent loop、memory、harness engineering 等），有实际项目经验者优先
• 具备将技术与金融业务痛点结合的系统设计能力和性能优化能力

申请策略

• 准备 1-2 个从选型到落地的完整智能体项目案例，突出你的主导角色
• 了解平安在金融科技上的布局和业务方向，面试中体现业务理解
• 突出大模型与 agentic AI 项目经验，量化落地效果（如性能提升、token 成本下降、业务指标改善）
• 展示对 Memory、Tool Use、RAG、Plan-and-Execute 等核心能力的实际工程实践
• 列出推理优化相关成果（TTFT/TPOT、吞吐、加速方案）
• 如有论文、竞赛排名或技术管理经历，单独作为亮点呈现
• 系统梳理主流 agentic AI 框架（LangChain、Agentic RAG、Deep Research 等）的实现原理与差异
• 补强大模型推理加速与部署相关经验（量化、批处理、KV cache 等）

面试指南

• 用「背景-方案-效果」结构：先讲业务痛点和约束，再讲技术选型与设计，最后用数据量化结果
• 技术问题先讲原理与取舍，再结合项目落地说明如何验证和迭代
• 协调类问题用 STAR 方法，突出多方沟通、冲突处理和结果闭环
• 请介绍你主导过的一个 agentic AI 系统，如何设计 Memory、Tool Use 与 Plan-and-Execute 等能力？
• 在金融场景下如何平衡模型能力与合规、稳定性、成本？
• 你如何针对 TTFT/TPOT 和吞吐做推理性能优化？请举具体案例
• 面对多业务方的诉求，你如何协调并推动技术方案落地？
• 你如何评估并引入一项新的前沿 AI 技术？技术选型矩阵会考虑哪些维度？