算法工程师（智能体算法）

1. 01

   大模型算法研发与优化：针对保险营销、智能客服、风险管控、业务数据分析等场景，开展大语言模型、多模态大模型的算法设计与迭代，熟练运用SFT微调、Prompt工程、模型蒸馏、RLHF、量化压缩等技术，优化模型效果、推理速度与资源占用率，解决实际业务中的算法痛点。

2. 02

   项目落地与工程化实现：负责大模型应用项目的算法落地工作，对接业务团队梳理需求，制定技术实施方案，完成模型训练、验证、调试与迭代，协同工程开发团队完成模型部署、接口封装与线上适配，保障大模型应用稳定上线运行。

3. 03

   业务场景适配与效果提升：深入理解金融科技业务逻辑，将通用大模型能力与垂直业务场景深度融合，开发定制化大模型应用模块，比如智能问答、文档解析、业务决策辅助、风险预警等场景，持续跟踪线上模型效果，通过数据反馈优化算法策略。

4. 04

   技术调研与方案沉淀：跟踪国内外大模型领域前沿技术动态，调研行业领先的算法框架与落地案例，结合公司业务需求引入先进技术；梳理大模型落地项目中的技术难点与解决方案，形成技术文档与规范，推动团队技术能力提升。跨团队协同配合：与产品、开发、测试、业务等团队

基础要求

1. 01

   精通大语言模型核心原理，熟悉GPT、LLaMA、Qwen、Baichuan等国内外主流大模型架构与技术特性，掌握大模型微调、提示词优化、模型压缩、推理加速等核心技术；

2. 02

   扎实的机器学习、深度学习理论基础，熟练掌握自然语言处理相关技术，熟悉文本分类、语义理解、信息抽取、生成式AI等核心算法；

3. 03

   精通Python编程语言，熟练使用PyTorch、TensorFlow等深度学习框架，掌握常用数据处理与模型训练工具，具备良好的代码规范与工程实现能力；

4. 04

   具备大模型工程化落地经验，熟悉模型部署流程，了解Docker、CUDA、TensorRT等部署相关工具，能够独立完成模型训练到上线落地的全流程工作；

5. 05

   具备较强的问题分析与解决能力，能够快速定位模型效果不佳、推理卡顿等技术问题，给出针对性优化方案；