凤凰网
安全工程师
安全工程师
发布于 大约 2 小时前普通员工/个人贡献者
全职员工仅现场办公信息安全
信息安全
Llm
Prompt Engineering
Pytorch
Rag
Tensorflow
威胁检测
安全数据分析
机器学习
深度学习
值不值得投
70综合评分
综合评分 70
AI赋能安全，技术前沿，成长性强，但工作地点与WLB需进一步确认。
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。
薪资怎么样
35K
与信息安全中位数基本持平
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
91 个在招
市场机会
选择面较广
北京 · 信息安全 · 67 个在招
职位详情
关于这个职位
负责运用机器学习、深度学习及大模型技术，构建智能化威胁检测模型和安全运营平台，以提升公司整体安全防御的自动化与智能化水平
最低要求
本科及以上学历，计算机、信息安全、人工智能、统计学等相关专业
年以上经验，其中至少1年AI工程或安全数据分析实战经验
熟练掌握Python，扎实的机器学习/深度学习工程能力（熟练使用PyTorch/TensorFlow之一），有真实模型训练、调优、上线经验
熟悉大模型工程：Transformer原理、RAG、Prompt Engineering、Fine-tuning、Agent开发，有LLM应用落地经验
熟悉至少一个安全领域（Web安全、内网渗透、云安全、恶意软件分析、威胁情报等），能理解安全业务场景并转化为算法问题
强数据敏感度，能从海量安全日志中挖掘规律、定位问题
自驱力强，能独立完成「业务理解 → 方案设计 → 模型落地 → 效果验证」闭环
良好的跨团队沟通能力，能把复杂模型效果用业务语言讲清楚
工作职责
一、智能威胁检测与建模
运用机器学习、深度学习技术，构建威胁检测与异常行为分析（UEBA）模型，覆盖恶意流量识别、恶意样本分类、账号风险、数据外泄等场景，持续提升检测准确率、降低误报率
负责安全模型全生命周期管理：特征工程、样本标注、模型训练与调优、效果评估、线上迭代与回测，保证模型在真实对抗环境下的稳定性
二、大模型赋能安全运营（LLM for Security）
将大语言模型（LLM）落地到安全运营场景：告警降噪与智能研判、安全事件自动分类分级、日志语义分析、威胁情报自动化提取与关联
建设基于 LLM 的智能安全助手 / Agent，实现自动化响应剧本（SOAR）生成、处置建议输出、安全问答与知识库检索（RAG）
三、安全数据与平台建设
建设 AI 安全数据分析平台，对接防火墙、WAF、EDR、IDS/IPS、SIEM 等安全设备的日志与告警数据，搭建从「数据接入 → 特征加工 → 模型推理 → 结果消费」的完整数据管道
利用 AI 技术赋能威胁狩猎（Threat Hunting）与攻击路径分析，提升 APT、0-day 等高级威胁的发现能力
四、能力沉淀与协作
沉淀可复用的安全模型、特征库与算法组件，形成安全 AI 能力中台
与安全运营、应急响应、红蓝对抗团队协作，将 AI 能力嵌入实际安全工作流并跟踪效果
AI 洞察
优缺点分析
优点
- 技术前沿且复合：岗位结合了当前最热门的AI技术（尤其是LLM）与攻防实战，能快速积累稀缺的复合技能
- 业务价值高直接：工作成果（如降低误报率、提升威胁发现率）直接提升公司安全水位，价值感强
- 平台与资源支持：公司为已上市大型企业，有相对完善的数据基础设施和多样的安全设备日志，为模型训练提供充足‘弹药’
- 跨团队协作复杂：需将AI能力有效嵌入现有安全运营流程，与运营、应急响应、红蓝队等多角色深度沟通协作
- 知识体系更新快：AI（特别是LLM）和网络安全技术都处于快速发展期，需要持续高强度学习以保持竞争力
- 对人工智能技术和网络安全充满热情，喜欢用算法解决复杂对抗性问题，具备较强自驱力和跨团队沟通能力的工程师
缺点 / 挑战
- 实战对抗性强：模型需要在真实、动态的对抗环境中保持稳定和有效，面临持续优化和对抗升级的压力
角色解读
- 技术专家路线：深入钻研AI安全建模，成为在威胁检测或安全大模型应用领域的顶尖专家
- 架构师路线：负责公司整体AI安全体系规划与设计，成为安全AI平台或能力的负责人
- 管理路线：带领安全AI团队，负责团队目标设定、技术方向把控和跨部门协作
- 利用机器学习和深度学习技术，设计并训练模型，用于自动识别恶意流量、异常账号行为等安全威胁
- 将大语言模型（如LLM、RAG）应用于安全运营，实现告警智能研判、自动生成处置剧本等，提升运营效率
- 搭建从安全设备日志接入到模型推理结果输出的完整AI数据分析平台，支持高级威胁狩猎
- 将开发的AI模型、特征库等沉淀为可复用的能力中台，并与安全运营、红蓝对抗等团队合作落地
- 扎实的机器学习/深度学习工程能力，熟练使用Python及PyTorch/TensorFlow框架，并有模型从开发到上线的全流程经验
- 深入的大模型工程知识，包括RAG、Prompt Engineering、Fine-tuning和Agent开发，并有实际落地经验
- 至少一个安全领域的专业知识（如Web安全、恶意软件分析），能将安全问题转化为AI可解决的算法问题
- 良好的数据工程能力，能够处理海量安全日志数据，并具备从数据中发现问题的敏感度
申请策略
- 准备AI安全主题的作品集或技术博客：可以是一个针对公开安全数据集（如CIC-IDS）的分析项目，或对某个安全场景的AI解决方案设计，这能极大增加面试竞争力
- 研究公司公开的安全动态：了解凤凰网可能面临的业务安全风险（如内容安全、业务欺诈），思考AI如何应用，并在面试中展现你的准备
- 突出AI模型项目经历：详细描述1-2个利用机器学习/深度学习解决实际问题的完整项目，包含从数据处理、模型选择、训练调优到效果评估的全过程
- 强调大模型应用经验：明确列出参与过的LLM相关项目（如RAG应用、Agent开发），说明具体场景、使用的技术栈和达成的效果
- 展示安全领域理解：即使项目非纯安全类，也要在简历中体现对安全问题的思考和理解，或补充安全相关的学习、认证或个人项目
- 深化LLM工程实践：重点准备RAG、Prompt Engineering和Fine-tuning的实战案例，了解主流开源模型（如LLaMA）和工具链
- 补充安全业务知识：系统学习1-2个安全领域（如Web安全基础、常见攻击手法），理解安全运营的痛点和工作流程
面试指南
- 对于模型构建类问题，采用STAR法则：S(场景)、T(任务)、A(行动)、R(结果)，重点说明技术选型理由、对抗数据问题的策略和量化效果
- 对于架构设计类问题，先明确核心目标（如降噪、自动化），再拆解成数据、模型、应用层，说明各层的技术选择和交互方式，并强调可靠性与可解释性
- 对于跨团队协作类问题，强调沟通的重要性，举例说明如何将模型指标（如准确率、召回率）翻译成业务人员能理解的语言（如减少多少人工复核工作量），以及如何通过持续迭代获得信任
- 请描述一个你构建的用于检测异常行为的机器学习模型，如何处理样本不平衡问题？如何评估模型在真实环境中的效果？
- 如何将大语言模型（LLM）应用到安全告警降噪中？请设计一个大致的解决方案架构，说明如何确保生成的研判结果是可靠和可解释的
- 在设计安全数据分析平台时，如何处理来自不同安全设备（如WAF、SIEM）的异构日志数据？如何设计特征工程流程？
- 假设你需要构建一个基于LLM的安全助手Agent来自动化响应一个低风险的暴力破解告警，你会如何设计这个Agent的流程和工具调用？
- 你之前是否有与安全运营或应急响应团队合作的经历？在将AI模型效果转化为业务价值时遇到过哪些挑战？是如何解决的？
职位点评
薪资福利65
成长发展85
工作生活50
使命价值80
薪资福利
65中等
公司为已上市大型企业，平台稳定，但JD未披露具体薪资福利，补偿性信息有限。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
85较高
岗位技术栈非常前沿，深度结合AI与安全两大高成长领域，对个人复合技能提升有很强的驱动作用。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、TensorFlow、机器学习、深度学习、LLM、RAG、Prompt Engineering
业务类型ambiguous
工作生活
50较低
JD未明确任何关于办公模式、工作时间或工作强度的信息，生活化动机的满足程度难以判断。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
80较高
网络安全是关系数字社会基础的关键领域，运用AI技术守护安全具有明确的社会价值和行业前景。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs