财富海外业务-大模型应用开发-深圳

智能体架构设计： 负责智能体（Agent）应用的技术选型和系统架构设计，确保系统的高性能、可扩展性和可维护性。 提示工程（Prompt Engineering）： 深入实践和领导提示工程，设计、测试和迭代优化复杂的 Prompt 链（Chain-of-Thought, ReAct 等），以实现精确、可靠的 Agent 行为。 检索增强生成（RAG）： 负责设计、构建和调优 RAG 流程。这包括但不限于：数据源接入、文档智能处理（切块、清洗）、向量化、混合检索策略以及检索结果的重排（Re-ranking）。 上下文工程（Context Engineering）： 设计高效的对话管理和上下文控制策略。您需要管理长短期记忆，优化上下文窗口（Context Window）的使用效率，确保智能体在复杂的多轮对话和长任务流中保持连贯性和准确性。 工具与集成（Tool-using / Function Calling）： 构建和维护智能体与外部工具、API 和数据源（如数据库、企业内部系统）的集成能力，使 Agent 能够执行实际操作。 评估与优化： 建立智能体性能（如响应质量、延迟、Token 成本、幻觉率）的评估（Evaluation）体系，并基于数据反馈持续进行工程优化。 后端服务开发： 开发支撑智能体运行的后端微服务，解决在实际生产环境中遇到的高并发、稳定性和安全性问题。 基本要求： 学历与经验： 计算机科学或相关专业本科及以上学历，[3-5] 年以上后端软件开发经验。 AI 应用经验： 至少 [1-2] 年基于 LLM 的应用（如智能体、AI 助手、Copilot）的实际工程开发经验（再次强调：非算法岗）。

深刻理解并拥有丰富的提示工程实践经验。 深刻理解并拥有RAG全流程的开发与调优经验，熟悉至少一种向量数据库。 熟悉上下文工程和对话管理技术，有复杂多轮对话或 Agentic 流程的设计经验。 工程能力： 精通 Python/Go/Java 中的至少一种，具备扎实的编程功底和软件工程（数据结构、算法、设计模式）基础。 熟悉主流的 LLM 应用框架（如 LangChain, LlamaIndex, Semantic Kernel），并了解其优缺点，有能力进行二次开发或构建自定义框架。 沟通与协作： 具备出色的问题解决能力和快速学习能力，良好的沟通技巧和团队合作精神。 加分项（非必备）： 有 Agent 框架的实际开发经验。 熟悉 LLM 应用的评估框架和方法。 有 LLMOps 经验，了解如何监控、部署和运维 LLM 应用。 有能力对开源模型进行高效微调（Fine-tuning），并理解其与 RAG 的适用场景（加分项）。 对 AI Agent 的前沿技术（如多模态、自主规划等）有持续的跟踪和热情。