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

2027届-博士-Al Harness 研究员-北京/上海

发布于 2 小时前

普通员工/个人贡献者

AI 估算 · 3.0–5.0万 · AI 参考估算
无经验要求
博士
全职员工仅现场办公AI算法
AI算法
Agent框架
Llm应用
Llm评测
Mcp
Rag
Sglang
Vllm

值不值得投

80综合评分

综合评分 80

医疗AI前沿博士岗,技术与使命强,办公灵活性未披露

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

4.0万

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届博士,加入康龙化成AI研究院,围绕医疗与生命科学场景构建大模型应用的基础工程框架

重点负责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

  • 岗位处于大模型、Agent和生命科学交叉方向,技术场景真实且具有较强的应用价值
  • JD明确提到算力投入、先进AI工具支持、专家业务外脑和完整科学职级序列,对研究型博士成长较友好
  • 研究院不设产品经理与项目经理,研究员可直接own需求、方案、交付与迭代,自主空间较大
  • 工作内容强调可交付、可审计的可靠性,有助于积累生产级AI系统建设经验,而非停留在实验或demo层面
  • 岗位同时要求Agent框架、RAG、评测、服务化和可观测性,技术栈覆盖面广,对工程与研究的综合能力要求高
  • 医疗与临床CRO场景存在专业术语、业务规则和可靠性要求,需要快速理解生命科学业务语境
  • 没有产品经理和项目经理意味着研究员需要承担更多需求澄清、交付推进和迭代协调职责
  • 适合博士阶段从事Agent、RAG、LLM评测、AI工程或医疗AI应用研究,且希望把研究成果落到真实业务场景中的求职者

缺点 / 挑战

暂无明显挑战项

角色解读

  • 可从Associate Scientist起步,逐步成长为负责核心框架与评测体系的资深研究员或技术专家
  • 由于岗位直接绑定医疗主应用并横向覆盖多应用场景,可积累真实生命科学业务理解和大模型工程落地经验
  • 长期可向Senior Principal Scientist等科学职级发展,也可结合业务交付成果转向技术管理或架构负责人方向
  • 设计并优化面向医疗场景的Agent运行框架,包括任务规划、执行反思、工具调用、多Agent编排和失败恢复机制
  • 构建上下文工程与知识接入能力,围绕医学文献、业务知识、术语库和知识图谱搭建RAG检索、rerank、长上下文与记忆管理体系
  • 建设端到端评测harness,采集全链路trace,拆解分环节失败率,并通过自动化回归、LLM-as-judge和人工评审校准模型效果
  • 负责可靠性与工程化能力沉淀,包括结构化输出约束、guardrails、延迟与成本优化,以及供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等服务化框架,并具备可观测性建设经验
  • 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
  • 需要具备系统化评测与问题归因能力,能把模糊的“效果不好”转化为可量化指标并驱动迭代

申请策略

  • 申请前建议了解康龙化成在CRO、药物警戒、临床试验和实验室自动化方面的业务背景,明确医疗AI落地的真实约束
  • 面试强调真实项目复盘,建议准备一个从问题定义、方案取舍、失败归因到迭代上线的完整案例
  • 突出生产级LLM应用或Agent系统项目,重点写清系统架构、你负责的模块、上线场景和量化效果
  • 突出RAG全链路经验,包括embedding、混合检索、rerank、知识库构建、评测指标和失败归因方法
  • 突出Python工程能力,展示异步编程、FastAPI服务化、可观测性、结构化输出、guardrails或成本延迟优化经历
  • 如有ACL、EMNLP、NeurIPS等论文一作或高质量开源项目,应放在显眼位置,并说明其与Agent、RAG或评测的相关性
  • 补齐Agent框架设计能力,重点练习任务规划、function calling、工具协议、多Agent编排、失败恢复和幂等性设计
  • 强化评测体系能力,准备全链路trace、自动化回归、LLM-as-judge、人工评审校准和分环节失败率归因的方法论

面试指南

  • 用“业务问题—系统架构—关键取舍—量化结果—复盘归因”的结构介绍项目,避免只讲模型或工具名称
  • 回答技术难题时先定义指标,再拆解链路,说明如何定位瓶颈、设计实验、验证改进并沉淀为框架能力
  • 回答医疗场景问题时强调可靠性、可审计、人工评审和边界划分,体现对真实业务交付的理解
  • 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?
  • 面对RAG效果不好时,你会如何拆解问题并定位是检索、rerank、上下文构造还是生成环节的问题?
  • 如何设计一个可复用的Agent框架,使其支持工具调用、失败恢复、幂等性和多Agent编排?
  • LLM-as-judge与人工评审如何校准,如何避免评测指标与真实业务效果脱节?
  • 在医疗或生命科学场景中,如何保证大模型输出的可审计性、可靠性和安全性?

职位点评

薪资福利78
成长发展92
工作生活55
使命价值90

薪资福利

78中等

JD未披露薪资与福利信息,但岗位面向博士校招且强调核心AI研究院场景,整体补偿吸引力需与HR确认。福利项在JD中未明确提及,无法据此判断具体保障水平。

薪资信号未披露(AI估算:3.0千–5.0万/月)

成长发展

92较高

岗位提供从Associate Scientist到Senior Principal Scientist的科学职级序列,并明确与集团M序列打通,成长路径清晰。工作内容覆盖Agent、RAG、评测、工具协议和医疗AI真实落地,技术成长空间较强。

技术前沿前沿/新兴技术
技术栈大模型、Agent、function calling、MCP、RAG、embedding、向量检索、混合检索、rerank、vLLM、SGLang、LLM-as-judge、JSON Schema、constrained decoding、guardrails
成长机会专家护航、工具与算力自由、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

55较低

JD明确列出北京/上海工作城市,但未说明远程、混合办公、弹性工时或加班情况。由于工作模式与WLB信息未披露,生活化动机满足程度无法给出较高判断。

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

90较高

岗位直接面向患者管理、医疗诊断预测、药物警戒和临床试验等生命科学场景,强调真实医生、患者和项目团队使用。JD明确提出让大模型达到可交付、可审计的可靠性,并参与定义AI在生命科学中的可能性,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、走进药物警戒与临床试验的运营现场、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
创新程度积极采用新技术
Watch Jobs