美团
大模型应用算法专家
大模型应用算法专家
发布于 大约 16 小时前普通员工/个人贡献者
上海市
中级经验
全职员工
仅现场办公
本科
机器学习
NLP
PyTorch
RAG
TensorFlow
SFT
大模型
RLHF
AutoGen
DPO
AI 估算 · 35k–55k
大厂核心算法岗，技术稀缺，学历门槛高，薪资竞争力强。
职位详情
关于这个职位
美团金融服务平台招聘大模型应用算法专家，负责将LLM技术落地到金融对话场景（如电销、催收、客服），从事Prompt设计、模型微调、RAG/Agent框架工程化，与业务团队协作推动AI从0到1赋能风控决策
你将接触RLHF、Multi-Agent等前沿技术，并在海量数据与算力支持下成长
最低要求
AI能力要求：具备生产环境大模型应用落地经验
熟悉大模型结构和训练算法原理
有 SFT/RLHF/DPO 微调经验
能独立完成数据处理→模型训练→评估→部署完整链路
掌握 RAG/Agent 框架（LangChain/AutoGen）工程化应用
有创新性AI领域论文优先
专业经验：2年以上大模型/NLP/机器学习经验，本科及以上（计算机/AI/NLP相关专业），有金融科技或电商 AI 场景经验优先
核心能力：扎实深度学习和大模型基础（PyTorch/TensorFlow）、良好工程能力（Python/代码规范）、较强数据分析与实验设计能力
综合素质：强自驱力、良好跨职能沟通协作能力、持续学习意愿、创新精神
工作职责
借助AI推动电销/智能催收/客服等金融对话场景自动化落地，负责从 Prompt 设计、数据构建、模型算法优化到线上部署的全链路工程实现
与产品、业务团队协作，将需求转化为 AI 技术方案，推动AI从0到1实现在金融风控决策中的落地
与模型研发团队协同推进 RLHF、RAG、Agent 等前沿能力的工程化落地与迭代
建立 AI 效果评估体系，通过 A/B 实验、离线评测、在线指标监控持续度量模型效果，基于数据反馈驱动快速迭代
优先资格
有金融科技或电商 AI 场景经验优先
有创新性AI领域论文优先
AI 洞察
优缺点分析
优点
- 接触RLHF、Long Context、Multi-Agent等前沿技术栈，技术成长快
- 服务数千万用户，数据资源丰富，业务影响直接可量化
- 大厂平台，GPU算力充足，晋升通道清晰，鼓励创新
- 金融+AI复合方向，市场稀缺度高，职业前景广阔
- 金融场景对模型准确性、安全性要求极高，容错率低
- 技术栈更新快，需要持续学习保持竞争力
缺点 / 挑战
- 需要快速迭代，工程压力较大，可能涉及高强度加班
- 适合具备2年以上大模型/NLP经验，渴望深入金融AI场景、热爱技术挑战的算法工程师
角色解读
- 在金融科技AI领域深耕，成为大模型应用架构师或技术负责人
- 向多模态、通用Agent等前沿方向拓展，参与公司核心AI平台建设
- 积累金融场景业务理解，转向AI产品经理或技术管理岗位
- 负责金融场景中AI对话系统的全链路开发，包括Prompt设计、数据构建、模型微调与线上部署
- 与产品、业务团队协作，将业务需求转化为AI技术方案，推动AI在风控决策中的落地
- 参与RLHF、RAG、Agent等前沿技术的工程化实现与迭代优化
- 建立效果评估体系，通过A/B实验和指标监控持续迭代模型性能
- 扎实的大模型基础，熟悉Transformer、SFT、RLHF、DPO等训练范式
- 熟练使用PyTorch或TensorFlow，能独立完成模型训练、评估与部署
- 掌握RAG和Agent框架（如LangChain、AutoGen），具备工程化落地经验
- 良好的Python工程能力和数据分析能力，熟悉A/B实验设计
申请策略
- 深入了解美团金融业务（如美团借钱、月付），在面试中展示对场景的思考
- 准备一个完整的项目案例，涵盖问题定义、技术方案、落地效果和后续迭代
- 突出大模型落地项目经验，特别是从0到1的全链路实践
- 量化成果：如模型效果提升指标、线上部署规模、业务收益等
- 强调RLHF、RAG、Agent等具体技术应用案例
- 若有金融或电商AI经验，务必突出场景理解
- 补充RLHF或DPO的实战经验，可以自己用开源模型做小项目
- 学习LangChain、AutoGen等框架，动手搭建一个简单Agent demo
面试指南
- 对于项目描述类问题，采用STAR原则：背景-任务-行动-结果，强调个人贡献和量化成果
- 对于技术选型类问题，从业务需求、数据条件、性能要求出发，对比不同方案的优劣
- 对于评估类问题，说明离线评测（准确率、召回率等）和在线指标（转化率、用户满意度等）的结合
- 请详细描述一个你主导的大模型微调项目，从数据构建到部署的完整流程
- 如果需要用LLM实现智能催收对话，你会如何设计Prompt和Agent框架？
- RLHF和DPO的区别是什么？在什么场景下选择哪一种？
- 如何评估大模型在金融场景中的效果？你会设计哪些离线/在线指标？
- 解释LangChain中Agent的工作原理，并举例说明如何实现工具调用
匹配度报告
69
综合匹配度
大厂核心AI岗，前沿技术栈，高成长高挑战，WLB一般。
适合人群
适合高度重视技术成长和职业发展，能接受较高工作强度的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利75
成长发展92
工作生活40
使命价值70
薪资福利匹配
75中等
薪资具有竞争力，大厂福利完善（五险一金、股票等），但JD未明确披露具体薪资和福利细节。
薪资信号未披露（AI估算：35K-55K/月）
成长发展匹配
92较高
接触前沿技术（RLHF、Multi-Agent），有充足算力和数据资源，晋升通道清晰，成长空间极大。
技术前沿前沿/新兴技术
技术栈大模型、RLHF、RAG、Agent、LangChain、AutoGen、SFT、DPO
成长机会晋升通道清晰
业务类型profit_center
工作生活匹配
40较低
JD未明确工作模式，但互联网大厂算法岗通常强度较大，WLB一般。
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）
使命价值匹配
70中等
金融科技场景具有普惠社会价值，但主要服务商业目标，使命感一般。
行业发展高速增长赛道
社会影响中性/一般
使命信号助力金融机构打通金融普惠“最后一公里”
创新程度积极采用新技术
美团 的其他在招职位
相似职位推荐
Watch Jobs