算法工程师-AI安全

我们正在用大模型与 Agent 重做安全——从漏洞挖掘、威胁检测、攻防对抗，到身份核验、内容风控、数据保护，目标是研发超越传统规则与人工经验的安全算法与模型体系。你将与安全研究、工程和产品团队合作，从真实攻防场景与业务风险出发，研究安全领域大模型、智能体算法和多模态风险识别模型，并推动算法落地到实际安全产品中。 你的工作围绕以下算法主线展开：

1. 01

   安全数据集构建与表征学习 设计并构建高质量安全领域训练数据（漏洞库、攻击流量、终端日志、代码、图文音视、伪造样本、风险内容等），解决安全数据稀缺与类别不均衡问题；研究多模态统一表征与跨模态对齐方法，使模型能够跨数据形态理解安全语义。

2. 02

   模型训练与领域适配 研究面向安全垂直领域的大模型继续预训练、SFT、偏好对齐与轻量化微调方法，提升模型对安全任务的理解与推理能力；针对具体场景（检测、识别、生成对抗等）研发端到端的专用模型，使安全大模型在漏洞理解、威胁研判等任务上逼近资深安全分析师的推理水平。

3. 03

   多模态感知与检测算法 研发面向图像、音视频、文档等多模态数据的检测与识别模型（深度伪造检测、活体判别、文档防伪、内容风险分类、敏感信息识别等），研究跨模态融合、细粒度特征提取与鲁棒判别方法；应对 AIGC 持续进化带来的"生成 vs 检测"持续对抗，始终让检测能力领先于生成攻击一个身位。

4. 04

   Agent 推理与规划算法 研究面向安全任务（威胁狩猎、漏洞挖掘、应急响应、日志分析等）的 Agent 决策、推理与任务规划算法，使智能体能够自主完成多步骤安全任务，达到资深安全工程师的威胁处置效率；研究 Prompt Injection / Jailbreak 攻防、安全对齐与 Agent 行为约束。

5. 05

   对抗安全与评测体系 研究模型在对抗样本、数据投毒、物理攻击、规避攻击下的鲁棒性，利用对抗训练、增量学习、自监督等方法持续加固模型；研究对抗生成、跨域迁移与零日攻击场景下的检测泛化能力，确保模型在真实对抗环境中持续可用。搭建安全领域评测体系与 Benchmark，覆盖攻防对抗、漏洞理解、伪造检测、风险识别、Agent 任务规划等维度，持续优化检出率、误报率等核心指标，驱动模型迭代。 以上能力服务于多个业务场景，包括但不限于：安全大模型与 Agent、LLM 驱动的漏洞挖掘与威胁检测、身份核验与深度伪造对抗（IDV/eKYC）、多模态内容安全与 AIGC 风控、数据安全与敏感信息识别，对任一场景感兴趣即可。

我们希望你具备以下能力；不要求每一项都已经非常成熟，但需要有扎实基础和持续动手意愿。

1. 01

   基础背景 ●计算机、网络安全、人工智能、数学或相关专业本科及以上学历。 ●具备扎实的算法功底与数据结构基础，熟练掌握 Python、C/C++、Go 等至少一种语言。

2. 02

   专业能力 ●大模型与智能体：熟练掌握至少一种深度学习框架（PyTorch、TensorFlow 等），熟悉 Transformer 及大语言模型 / 多模态模型主流架构，有模型训练、微调或 Agent 算法研究的项目经验；了解 RAG、工具调用、任务规划、评测方法等实践者优先。 ●安全攻防基础：熟悉至少一个安全细分方向（网络安全、数据安全、业务风控、内容安全、身份安全、云安全、终端安全等），能理解相关业务数据的形态、特征与攻防对抗逻辑；有漏洞挖掘、渗透测试、CTF、威胁检测经验者优先。 ●多模态与对抗：了解多模态表征、跨模态对齐、对抗机器学习、模型鲁棒性等方向者优先。

3. 03

   能力特质 ●对 AI 与安全攻防交叉领域有浓厚兴趣，紧跟 SOTA 论文与技术动态，乐于挑战行业未解难题。 ●能快速跟进前沿方法并把想法落为可运行的代码或模型。 ●出色的逻辑分析、协作与沟通能力，乐于在跨团队场景下推动事情落地。 加分项 ●有安全攻防经验（CTF、红蓝对抗、渗透测试、应急响应、实战攻防演练等），或 AI 安全攻防 / AIGC 攻防赛、Kaggle、信息安全大赛、安全类 AI 竞赛优异成绩。 ●有 CVE 漏洞挖掘经验，或在主流手机系统、知名开源项目有过安全贡献。 ●在网络安全（S&P、USENIX Security、CCS、NDSS 等）或人工智能（NeurIPS、ICML、ICLR、CVPR 等）顶会有论文或相关专利。 ●有开源贡献，或主导过安全大模型 / 安全 Agent / 风控算法的实际项目。 ●有大模型领域适配（SFT/DPO/RLHF/LoRA）、Agent 推理与规划算法、RAG、安全对齐与红队评测、对抗机器学习等任一方向的研究或实战经验。 ●熟悉多模态大模型（文本+代码+图+流量+图像/音视频）在安全场景下的应用。