Pharmaron logo
康龙化成
2027届-硕士-Al Harness 研究员-北京/上海

2027届-硕士-Al Harness 研究员-北京/上海

发布于 36 分钟前

普通员工/个人贡献者

AI 估算 · 2.2–3.5万 · AI 参考估算
初级经验
硕士
全职员工仅现场办公AI算法
AI算法
Llm Agent
Llm-As-Judge
Mcp
Rag
Sglang
Vllm
可观测性

值不值得投

76综合评分

综合评分 76

医疗大模型前沿Agent/RAG岗位,成长与意义感强,办公灵活性信息未披露

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便比较职业起点。

薪资怎么样

2.9万

比AI算法中位数高

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 440 个在招

市场机会

选择面较广

北京 · AI算法 · 约 240 个在招

职位详情

关于这个职位

该岗位面向2027届硕士,加入康龙化成AI研究院,聚焦医疗与生命科学场景中的大模型应用基础框架建设

你将负责Agent编排、工具调用、上下文工程、RAG知识接入和端到端评测体系,让大模型应用在真实业务中可靠交付

最低要求

专业背景

计算机、软件工程、人工智能等相关专业
扎实的工程能力:Python 为主,熟悉异步编程、服务化(FastAPI 等)与可观测性建设
实际构建过生产级 LLM 应用或 agent 系统,熟悉主流推理服务(vLLM/SGLang)与模型 API 生态
熟悉 RAG 全链路:embedding、向量检索、混合检索、rerank 及其评测方法
具备系统化评测意识:能把“效果不好”拆解为可量化的分环节失败率并驱动迭代

工作职责

方向定位:为医疗应用构建模型运行的共性工程框架——agent 编排、工具调用、上下文工程、评测基建——把模型能力转化为可靠的端到端交付

与 FDE 方向的分工:Harness 对共性框架与评测基建负责,以主应用为验证场
FDE 基于框架对各应用的端到端交付负责
核心工作:
Agent 框架设计与优化:任务规划—执行—反思循环、function calling 与工具协议(如 MCP)、多 agent 编排、失败恢复与幂等性设计
上下文工程与知识接入:面向医学文献与业务知识的检索系统(混合检索、rerank 的 RAG 全链路)、结构化医学知识(术语库/知识图谱)接入、长上下文与记忆管理、prompt 体系的版本化管理
端到端评测 harness:全链路 trace 采集、分环节失败率归因、自动化回归评测、LLM-as-judge 与人工评审的校准
可靠性与工程化:结构化输出约束(JSON Schema / constrained decoding)、guardrails、延迟与成本优化、供 FDE 复用的框架组件沉淀
与后训练方向协同,判定问题应由工程解决还是训练解决,并对边界负责
绑定与协作模式:
绑定一个主应用,对该应用的端到端可靠性负责
横向覆盖其他应用的harness需求,优先级与排期由技术线负责人统筹,不由应用方直接指派

优先资格

论文优先

agent/RAG/评测相关论文(ACL/EMNLP/NeurIPS 等)一作者优先
论文可由同等分量的高质量开源项目替代
相关经验优先
生产级 LLM 应用或 agent 系统建设、RAG 全链路、评测体系建设、后端服务化与可观测性
MCP/工具协议实践、医学知识库或术语体系经验加分

AI 洞察

优缺点分析

优点

  • 岗位处在医疗与生命科学大模型落地的真实业务场景,能接触患者管理、临床CRO、药物警戒等高价值应用
  • 研究院强调可交付、可审计的可靠性,适合希望积累生产级Agent、RAG和评测体系经验的研究者
  • JD明确提到使用Cursor、Claude Code等先进AI工具,并持续投入训练与推理算力,技术实践条件较好
  • 成长路径清晰,从助理研究员到首席主任研究员的科学职级序列,并与集团管理序列打通
  • 岗位同时要求Agent框架、RAG、评测、服务化和可观测性,技术栈跨度较大,校招候选人需要快速补齐工程闭环能力
  • 医疗与生命科学场景对可靠性、审计和结构化输出要求高,不能只停留在demo或benchmark层面
  • 适合计算机、软件工程或AI背景的硕士,尤其是做过生产级LLM应用、Agent系统、RAG或评测体系,并愿意深入医疗业务场景的候选人

缺点 / 挑战

  • 研究院不设产品经理与项目经理,研究员需以FDE模式承担需求、方案、交付与迭代,对自主推进和沟通能力要求较高

角色解读

  • 初期可从Associate Scientist做起,深入Agent框架、RAG检索和评测基建,逐步成长为能独立负责核心模块的研究员
  • 中期可向高级研究员或技术专家发展,主导医疗大模型应用的可靠性体系、工具协议和共性框架建设
  • 长期可沿科学职级向Senior Principal Scientist发展,也可与集团M序列打通,转向技术管理或跨团队技术统筹
  • 设计并优化医疗大模型应用的Agent框架,包括任务规划、执行反思、function calling、工具协议和多Agent编排
  • 构建RAG与上下文工程能力,把医学文献、业务知识、术语库和知识图谱接入模型应用,并管理长上下文、记忆和prompt版本
  • 搭建端到端评测harness,采集全链路trace、归因分环节失败率、做自动化回归评测,并校准LLM-as-judge与人工评审
  • 负责可靠性与工程化建设,包括结构化输出约束、guardrails、延迟与成本优化,并沉淀可被FDE复用的框架组件
  • 需要扎实的Python工程能力,熟悉异步编程、FastAPI服务化和可观测性建设,能够把实验性方案做成稳定服务
  • 需要实际构建过生产级LLM应用或Agent系统,理解模型API生态以及vLLM、SGLang等推理服务
  • 需要掌握RAG全链路,包括embedding、向量检索、混合检索、rerank和评测方法,并能处理医学知识接入场景
  • 需要具备系统化评测思维,能把模糊的“效果不好”拆解为可量化指标,并驱动框架和应用的持续迭代

申请策略

  • 申请前建议阅读康龙化成AI研究院相关公开信息,理解其“可交付、可审计可靠性”的核心命题
  • 面试中应准备用项目复盘的方式讲清楚问题定义、方案取舍、失败归因和迭代结果,而不是只罗列技术名词
  • 重点突出你实际构建过的LLM应用或Agent系统,说明任务规划、工具调用、失败恢复、幂等性等设计细节
  • 突出RAG全链路经验,包括embedding模型选择、混合检索、rerank策略、评测指标和失败归因方法
  • 展示Python工程能力,尤其是异步编程、FastAPI服务化、可观测性、结构化输出约束和自动化评测相关项目
  • 如果有ACL、EMNLP、NeurIPS等论文或高质量开源项目,应放在显眼位置,并说明与Agent、RAG或评测的相关性
  • 补齐Agent框架设计能力,重点练习function calling、MCP或类似工具协议、多Agent编排和失败恢复机制
  • 强化评测体系能力,准备一个包含trace采集、分环节失败率、回归测试、LLM-as-judge与人工校准的小项目

面试指南

  • 用“业务目标—系统架构—关键取舍—评测指标—迭代结果”的结构讲项目,突出真实落地和归因过程
  • 回答技术设计题时,先明确约束条件,再分层说明检索、生成、工具调用、评测和可靠性方案,避免只给单点方案
  • 遇到工程与训练边界问题,可从成本、延迟、可控性、数据可得性、错误类型和可审计性几个维度展开判断
  • 请介绍一个你实际构建过的生产级LLM应用或Agent系统,你在其中负责哪些核心模块?
  • 如何设计一个面向医学文献和业务知识的RAG系统?你会如何选择embedding、混合检索和rerank方案?
  • 当大模型应用效果不好时,你如何把问题拆解为可量化的分环节失败率?
  • 在多Agent编排中,如何处理任务规划、工具调用失败、幂等性和失败恢复?
  • 你认为哪些问题应该通过工程框架解决,哪些问题应该通过后训练解决?

职位点评

薪资福利72
成长发展92
工作生活48
使命价值88

薪资福利

72中等

JD未披露薪资与具体福利,但岗位面向硕士校招且技术门槛较高,薪资满足度只能基于岗位要求进行有限判断。稳定性与福利信息未提及,无法确认。

薪资信号未披露(AI估算:2.2千–3.5万/月)

成长发展

92较高

岗位围绕Agent框架、RAG全链路、评测harness、工具协议和可靠性工程展开,技术成长空间明确。JD还明确给出科学职级序列和与管理序列打通的成长路径。

技术前沿前沿/新兴技术
技术栈大模型、Agent、RAG、function calling、MCP、vLLM、SGLang、LLM-as-judge、JSON Schema、constrained decoding、guardrails
成长机会完整成长曲线、科学职级序列、与集团 M 序列对应打通、学术成果转化为业务结果同样计入贡献
业务类型ambiguous

工作生活

48较低

JD未明确办公模式、远程天数、弹性工时或加班情况,生活化动机相关信息不足。北京/上海一线城市地点明确,但通勤便利度需结合具体办公地点确认。

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

88较高

岗位直接服务患者管理、医疗诊断预测、临床CRO、药物警戒和药物研发等生命科学场景,应用价值明确。JD强调真实患者、医生与项目团队使用,以及可交付、可审计的可靠性,意义感较强。

行业发展新兴领域(暂难判断)
社会影响正向社会影响力较高
使命信号让 AI 走进真实患者的随访对话、病历、诊断与风险预测、参与定义 AI 在生命科学中的可能性、让大模型在真实生命科学场景中达到可交付、可审计的可靠性、用它的是真实的医生、患者和项目团队
创新程度积极采用新技术
Watch Jobs