康龙化成
2027届-博士-临床研发高级AI工程师-上海
2027届-博士-临床研发高级AI工程师-上海
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Llm
Mlops
Pytorch
Rag
强化学习
知识图谱
值不值得投
81综合评分
综合评分 81
前沿医疗AI赛道、技术栈顶尖、成长空间广阔，但工作强度与WLB未知。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
5.3万
比人工智能中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 690 个在招 · 其中人工智能 15 个
市场机会
选择面较广
上海 · 人工智能 · 约 330 个在招
职位详情
关于这个职位
该职位面向应届博士毕业生，主要负责临床研发行业大模型、智能体平台及数字员工的研发与落地
你将参与大模型训练优化、Agent平台架构设计、AI基础设施建设及前沿AI技术探索，推动新药研发和临床研究流程的智能化转型
最低要求
届博士毕业生
计算机科学、人工智能、机器学习、数据科学、生物信息学、医学信息学、统计学等相关专业
扎实的机器学习与深度学习理论基础
熟练掌握Python开发
熟悉至少一种深度学习框架：PyTorch、TensorFlow、JAX
具备优秀的算法能力与工程能力
具备良好的沟通与团队协作能力
具备快速学习和解决复杂问题能力
工作职责
一、临床研发行业大模型研发：
参与临床研究领域行业大模型的设计、训练与优化
构建临床研发知识库、知识图谱及RAG体系
开发医学、临床运营、药物警戒、统计分析等专业领域AI能力
研究和应用SFT、RLHF、DPO、GRPO等模型优化技术
构建临床研发领域高质量训练数据体系
建立行业模型评测体系和Benchmark
推动行业大模型在真实业务场景中的落地应用
二、业务智能体（Agent）平台研发：
参与企业级Agent Platform设计与开发
构建Agent Runtime、Tool Calling、Workflow Engine等核心能力
设计智能体编排框架
开发企业知识访问与推理能力
建设Agent开发平台、调试平台和评测平台
优化智能体推理效率、稳定性和成本控制
构建面向企业级应用的Agent治理体系
三、临床研发数字员工开发：
围绕临床研发全生命周期，开发面向医学监查、临床运营、数据管理、生物统计、SAS编程、药物警戒、医学写作、临床项目管理等岗位的AI数字员工
设计智能体工作流
开发领域专属工具链
构建多智能体协作体系
优化任务规划与执行能力
提升业务自动化与智能化水平
四、AI基础设施建设：
参与大模型训练与推理平台建设
建设GPU集群资源管理平台
研发MLOps与LLMOps体系
构建模型部署与服务平台
优化推理性能与资源利用率
参与向量数据库、知识库平台建设
研究分布式训练与推理技术
推动AI工程化与平台化建设
五、智能体自学习与自进化技术研究：
研究智能体自主学习、自主优化、长期记忆、经验积累与知识演化机制
研究Reflection与Self-Correction、Agent Planning与Reasoning、Tool Learning与Workflow Learning技术
研究基于业务结果反馈的持续优化机制和强化学习驱动的Agent优化体系
构建Agent能力评测与自动优化闭环
探索AI Scientist与Autonomous Agent技术
推动数字员工持续成长与能力演化
六、前沿技术探索：
持续跟踪和研究LLM、Reasoning Models、Agentic AI、Multi-Agent Systems、Reinforcement Learning、AI Scientist、Autonomous Workflow、Knowledge Graph、RAG、Digital Workforce、Generative AI in Life Sciences等方向
优先资格
AI方向：
大语言模型（LLM）研发经验
Agent或Multi-Agent项目经验
RAG系统开发经验
知识图谱项目经验
强化学习研究经验
AI Infra建设经验
分布式训练经验
开源社区贡献经验
医药行业方向：
熟悉临床试验流程
熟悉GCP规范
了解ICH相关指导原则
熟悉CDISC标准（SDTM、ADaM）
熟悉临床数据管理流程
熟悉药物警戒流程
熟悉医学写作流程
具备医疗健康AI项目经验
具有医药、生物、医学交叉背景
加分项：
在NeurIPS、ICML、ICLR、ACL、EMNLP、AAAI、KDD等国际顶级会议发表论文
熟悉DeepSeek、Qwen、Llama等开源大模型
熟悉LangGraph、AutoGen、CrewAI、MetaGPT、OpenManus等Agent框架
熟悉PPO、DPO、GRPO等强化学习算法
具有Agent Evaluation或Agent Optimization项目经验
具有AI Scientist相关研究经验
获得国家奖学金、优秀博士论文等奖励
发表高水平学术论文或拥有相关专利
AI 洞察
优缺点分析
优点
- 处于AI与生命科学交叉的前沿赛道，技术栈涵盖LLM、Agent、RL等最新技术
- 能够接触到真实世界临床研发场景与海量专业数据，具有极高的业务壁垒和技术护城河
- 公司提供有竞争力的薪酬与长期激励，且能参与从0到1的行业级AI平台建设
- 医疗和临床研发领域专业门槛高，需要快速补充GCP、临床试验流程等医药行业知识
- 适合对AI赋能生命科学充满热情，具备扎实算法功底和科研探索精神，且渴望在医疗AI垂直领域深耕的应届博士毕业生
缺点 / 挑战
- 大模型在垂直领域的落地面临数据质量、幻觉控制及合规性等复杂工程挑战
角色解读
- 从AI算法工程师成长为临床研发AI领域的专家或技术负责人
- 未来可向行业大模型架构师、AI科学家或AI产品技术总监方向发展，引领医疗AI技术的创新与应用
- 负责临床研发行业大模型的设计、训练与优化，构建面向新药研发和临床研究的智能体平台与数字员工
- 参与AI基础设施建设，探索智能体自学习与自进化技术，推动AI技术在临床运营、医学监查等真实业务场景的落地
- 具备扎实的机器学习与深度学习理论基础，熟练掌握Python及PyTorch等深度学习框架
- 需要有大语言模型（LLM）、Agent、RAG或强化学习等相关项目经验，并具备优秀的算法与工程落地能力
申请策略
- 在求职信或面试中展现对“AI改变生命科学”的强烈热情，并表达将前沿AI技术转化为实际生产力的工程落地思维
- 重点突出在大语言模型微调、Agent开发、RAG系统或强化学习方面的项目经验与研究成果
- 若有NeurIPS、ICML等顶会论文或开源社区贡献，需放在简历显眼位置
- 提前了解临床试验流程、GCP规范及CDISC标准等医药行业基础知识
- 熟悉LangGraph、AutoGen等主流Agent框架及vLLM、SGLang等推理加速技术
面试指南
- 采用STAR法则（情境、任务、行动、结果）结构化回答项目经验，重点突出技术选型的思考过程、解决复杂问题的具体步骤以及量化的业务收益
- 对于开放性问题，先界定问题边界，再结合行业现状提出创新且可落地的解决方案
- 请详细介绍你在大语言模型微调（如SFT、RLHF、DPO）或Agent系统设计中的一个核心项目，遇到了什么挑战及如何解决？
- 在构建临床研发知识库和RAG系统时，如何处理医疗专业术语的准确性及长文本的检索召回率问题？
- 如何评估和优化多智能体系统（Multi-Agent）在复杂临床工作流中的推理效率与稳定性？
- 结合你的研究背景，谈谈AI Scientist或Autonomous Agent在药物研发或临床试验中的潜在应用场景及技术难点
- 深入复习大模型训练与推理优化、Agent架构设计等核心技术原理
- 提前了解康龙化成的业务布局及临床研发AI的最新行业应用案例，准备1-2个针对该岗位的深刻见解或改进建议
职位点评
薪资福利85
成长发展90
工作生活60
使命价值85
薪资福利
85较高
博士校招AI岗位，提供有竞争力的薪酬与长期激励计划，薪资水平处于市场高位，但JD未披露具体福利细节与确切数字。
薪资信号未披露（AI估算：4千–6.5万/月）
福利待遇长期激励计划
成长发展
90较高
岗位涉及LLM、Agent、AI Infra等前沿技术，能深度参与行业级AI平台建设，并提供广阔职业发展空间，技术成长与业务视野极佳。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、Knowledge Graph、Reinforcement Learning、MLOps、LLMOps、PyTorch、Kubernetes
成长机会广阔职业发展空间、与顶尖AI科学家和临床专家共事
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式与WLB相关信息，但作为博士研发岗及AI前沿探索，工作强度可能较大，办公灵活性未知。
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
85较高
致力于利用AI重塑新药研发流程，推动临床研发智能化，具有极高的社会价值与行业使命感，属于高速增长赛道。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号利用人工智能技术重塑新药研发和临床研究流程、推动临床研发从数字化迈向智能化
创新程度开拓性创新（行业首创）
Watch Jobs