科学数据/数据治理/知识图谱研究员

岗位概述： 我们在构建面向科学推理的新一代大语言模型（LLM）与多模态大语言模型（MLLM）。要让模型真正“理解科学”，数据不能只是堆砌语料，而必须成为可追溯、可验证、可演化的科学资产：每一条结论都能回到原始证据，每一次训练都能复现，每一次迭代都能解释“为什么更好”。 你将参与建设一套长期可扩展的“科学知识工厂”：将论文、教科书、专利、实验记录、工艺日志等多源数据规模化采集、清洗与结构化，沉淀为高质量训练数据、评测数据与知识图谱基础设施，直接影响模型的推理可靠性、引用可追溯性与跨学科泛化能力，支撑科学大语言模型和AI Agents的训练，检索，推理与决策。 你将负责： 建设端到端数据工厂：搭建持续的数据获取与解析能力，将多源科学数据稳定转化为结构化资产（文本、表格、图表、公式、元数据等），并保证可扩展、可复用。 规模化数据质量与治理：建立面向大模型训练的数据质量体系与治理机制（去重、版本管理、数据血缘、质量指标、隔离策略），让数据管线长期运行且可持续迭代。 面向科学推理的知识表示与图谱：设计支持推理的知识结构（图谱 Schema/索引/检索接口等），纳入关键科学要素（概念、变量与物理量关系、符号与单位一致性等），为科学推理、理论推导与模型评测提供可查询、可验证的基础。 服务训练、检索与智能体工作流：为模型训练与 AI Agents 提供可审计的数据供给能力：可追溯样本、数据卡（data card）、引用证据链与权限控制；支持 RAG/GraphRAG 等检索增强推理。 平台化与自动化：把数据管线做成“平台能力”：自动化、可观测、可回滚、可扩容；持续优化吞吐、稳定性与成本。 研究沉淀（鼓励）：在信息抽取、科学NLP、知识图谱、数据治理与评测等方向沉淀方法与结果（论文/技术报告/开源组件，在合规与IP边界内）。 必备要求： 具备大规模数据工程经验：ETL、数据管线、数据仓库/湖、对象存储、SQL/计算引擎等，能把系统跑稳、跑长、能演进。 在至少一个方向具备扎实技术深度：信息抽取（IE）/NLP/检索（IR）/图数据库与知识图谱/复杂文档结构化（PDF、表格、公式）。 具备工程化交付能力与可靠性意识：版本管理、监控与可观测、权限与审计、可复现、故障定位与恢复。 具备跨团队协作能力：能把研究需求转化为可维护的数据产品与评测资产，并对端到端效果负责。 加分项： 熟悉 GraphRAG / 检索增强推理落地；了解 Neo4j/JanusGraph 等图数据库或相关图计算栈。 机器学习/AI/数据方向博士学位（PhD）或同等研究训练；或具备长期负责复杂数据系统的 owner 经验。 高质量发表记录（方向匹配即可）：ACL/EMNLP/NAACL/KDD/WWW/NeurIPS/ICLR/ICML/Nature Machine Intelligence 等。 有科学领域数据经验（材料/化学/制造/实验数据）或企业级数据合规与治理经验。 你在这里的成功标准： 数据获取—治理—供给形成稳定闭环：研究者能快速获得可信数据，训练与评测可复现、可追溯。 数据质量可量化：质量指标与隔离策略建立，显著降低噪声与泄露风险。 知识层可用：结构化知识与检索接口支撑推理与引用证据链，推动模型可靠性与可解释性提升