大模型漏洞挖掘与渗透测试研究员（上海）

开展大模型与智能体驱动的漏洞挖掘、渗透测试和智能化攻防关键技术研究，探索 LLM / AI Agent 的攻防实战新方法。

研究面向攻防任务的大模型推理增强技术，包括上下文工程、任务分解、多轮规划、工具调用、代码生成、命令执行反馈、记忆机制、反思机制、结果验证与自动纠错等，提升模型在复杂安全任务中的自主分析和执行能力。

构建面向漏洞挖掘与渗透测试的智能体系统，设计 Agent 工作流、工具链接口、攻防知识库、任务状态管理、沙箱执行环境和安全约束机制，实现从目标识别、漏洞探测到攻击验证的自动化闭环。

研究大模型在安全场景中的训练与适配方法，包括安全语料构建、攻防任务数据集建设、SFT 微调、偏好优化、RAG 增强、模型评测、Badcase 分析与能力迭代，提升模型在漏洞分析、攻击推理和渗透测试任务中的专业能力。

跟踪国内外大模型、AI Agent、自动化渗透测试、智能化攻防、漏洞挖掘等前沿技术趋势，持续探索大模型与网络安全交叉领域的创新研究方向。

参与国际智能化攻防赛事、CTF 竞赛、漏洞挖掘项目及人工智能安全相关科研课题，推动形成竞赛成绩、论文、专利、技术报告和工程系统等成果。

协同算法、工程、安全研究和产品团队，推动大模型漏洞挖掘、自动化渗透测试、攻防智能体等研究成果在安全产品和实战场景中落地

计算机科学与技术、网络空间安全、人工智能、软件工程等相关专业硕士及以上，博士优先；社招、校招、实习均可。

深入理解大模型基本原理与技术生态，熟悉 Transformer、GPT、MoE、RAG、多模态大模型、长上下文、工具调用、Function Calling、Agent 框架等关键技术。

具备大模型应用或研发实践经验，熟悉提示词工程、上下文工程、智能体构建、任务规划、多轮推理、工具编排、模型评测等技术，能够将大模型能力转化为可运行的安全任务系统。

具备一定的大模型训练或调优经验，了解预训练、SFT、LoRA / QLoRA、DPO / 偏好优化、数据构造、评测集建设、Badcase 分析等方法，有安全垂直领域模型训练经验者优先。

具备较扎实的网络安全基础，熟悉 Web 安全、漏洞挖掘、渗透测试、内网渗透、红队技战术、CTF、二进制安全、代码审计中的一种或多种方向。

具备良好的工程实现能力，熟悉 Python / Go / C++ 等至少一种编程语言，能够进行 Agent 系统开发、安全工具开发、自动化脚本编写、攻防流程编排或实验平台建设。

具备较强的研究能力和问题抽象能力，能够将复杂攻防过程拆解为大模型可理解、可规划、可执行、可评估的任务流程，并持续优化模型与系统效果。

具备较强的独立思考能力、创新意识和科研攻关精神，能主动跟踪并快速掌握大模型、智能体和智能化攻防领域的新兴技术。

具有良好的团队协作与沟通能力，能与算法、工程、安全研究和产品团队协同推进技术落地。 有以下经验者优先：

有 LLM Agent、Multi-Agent、自动化渗透测试系统、安全智能体、漏洞分析智能体、攻击路径规划系统开发经验者优先。

有大模型微调、RAG 系统、领域数据集构建、模型评测体系建设、攻防任务数据生成经验者优先。

有 CTF、攻防演练、红队评估、漏洞挖掘、SRC、CVE 提交、智能化攻防赛事经验，并取得较好成绩者优先。

熟悉 LangChain、LlamaIndex、AutoGen、OpenAI API、vLLM、LLaMA-Factory、Transformers、PyTorch 等大模型开发和训练工具链者优先。

参与过人工智能、安全方向国家级、行业级科研项目、竞赛项目，或发表过相关论文、专利、技术报告者优先