安全工程师

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）​
3. 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；
4. 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
5. 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；
6. 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
7. 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；
8. 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

：
硬性要求：

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；
3 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。
软性素质：

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