联想
RAG算法专家
RAG算法专家
发布于 大约 8 小时前普通员工/个人贡献者
北京市
专家级经验
全职员工
仅现场办公
本科
算法优化工程师
Graphrag
Llamaindex
Llmops
Pytorch
Qdrant
Rag
多模态
大模型
知识库
AI 估算 · 50k–80k
职位详情
关于这个职位
作为联想企业级知识库的核心算法专家，你将主导RAG（检索增强生成）系统的全栈研发与深度优化，解决大模型幻觉、知识滞后等关键难题
工作涉及从文档解析、向量化、多路检索到生成校验的全链路技术，并探索LLM Wiki、Graph RAG等前沿架构
该岗位技术挑战大，需要深厚的算法功底和工程落地能力，是AI领域极具前景的核心技术岗位
最低要求
扎实的大模型与深度学习功底，精通Python、PyTorch，熟练掌握LoRA、QLoRA等微调技术，具备领域Embedding模型、检索相关模型微调优化实战经验，熟悉模型量化与推理加速方案
精通高阶RAG核心原理与知识库体系，深入理解知识治理、文本切片策略、语义向量化、长短记忆机制，具备大规模企业知识库RAG系统从零搭建、落地迭代经验
熟练掌握主流RAG框架与向量数据库，精通LangChain、LlamaIndex等工具，熟练Milvus、Qdrant、ES、PGVector等数据库的性能调优，具备多路混合检索架构落地与调优能力
掌握前沿RAG与知识编译技术体系，深入理解LLM Wiki、自适应RAG、分层RAG、Graph RAG、自反思RAG核心原理，熟悉LLM Wiki“知识整编、跨页关联、增量更新、矛盾校验”的先进机制，可结合业务完成前沿技术选型、改造与落地，具备较强的知识库技术创新能力
具备多模态知识库工程能力，熟悉OCR版面分析、图文对齐、多模态语义融合技术，能够解决混合文档解析、模态信息冲突、语义对齐等工程难点
精通大模型记忆机制与长文本优化方案，具备上下文压缩、对话记忆管理、长文本检索优化实战经验，可有效解决超长上下文、多轮交互下的信息丢失与噪声问题
熟悉LLMOps/MLOps迭代流程，具备传统RAG与LLM Wiki知识体系的双范式搭建与融合落地能力，精通知识库数据清洗、知识编译、增量迭代、矛盾校验、量化评测全闭环，可通过Bad Case复盘持续优化检索、记忆与知识编译效果，具备良好的技术落地与团队协作能力
工作职责
负责企业级知识库RAG系统全栈研发与深度优化，主导结构化、非结构化、多模态知识库的搭建、治理与迭代，重点优化知识召回精准度、生成忠实度，解决大模型幻觉、知识滞后、溯源缺失等核心问题
构建并迭代大模型长短记忆体系，设计上下文记忆压缩、对话记忆沉淀、持久化知识记忆管理机制，实现动态记忆筛选、去重、更新与遗忘策略，提升长对话、多轮交互、长文本场景下的知识复用与上下文理解能力
搭建端到端高阶RAG技术链路，优化文档智能解析、自适应切片、精细化向量化、多路检索、重排序全流程，落地分层RAG、自适应RAG、Graph RAG等前沿架构
引入并落地LLM Wiki知识编译架构，突破传统切片检索范式，将碎片化原始文档自动聚合、梳理、迭代为结构化、可关联、可演进的主题知识百科页面，构建长效可迭代的知识库体系
自研多模态知识库解析引擎，统一解析图片、表格、图表、扫描件及混合版式文档，融合文本、版面布局、视觉信息联合编码，实现多模态知识的结构化沉淀与精准检索
主导检索体系升级，搭建稀疏检索（BM25/SPLADE）、稠密向量检索、知识图谱关联召回、深度重排的多路融合检索架构，设计自适应权重分配、结果融合与去重机制
开展领域专属模型优化，针对知识库场景微调高质量领域Embedding模型、检索匹配模型与可信度判别模型，构建「知识库治理-检索优化-生成校验」的闭环迭代体系
搭建RAG全链路自动化评测与可观测体系，围绕知识库覆盖率、记忆有效性、检索召回率、生成准确率、幻觉率、引用溯源准确率建立量化指标体系，依托线上数据与Bad Case持续驱动技术迭代
AI 洞察
暂无 AI 洞察数据
Watch Jobs