AI 工程师 – LLM 算法工程师（代理式商务）

岗位介绍

负责领导垂直业务领域大语言模型（Dense 和 MoE 架构）的持续预训练与后训练，包括领域数据合成、多阶段数据整理及月度迭代。设计自主代理系统，从大规模多语言非结构化数据中自动检索、提取和合成领域知识。开发基于强化学习的后训练方法，优化模型在领域问答、推理和知识建模任务上的表现。构建多模态 LLM 应用，并设计端到端代理工作流。

工作内容

• 领导垂直领域大语言模型（Dense 和 MoE 架构）的持续预训练与后训练，包括领域数据合成、多阶段数据整理及月度迭代，以支持下游业务集成。
• 设计并构建自主代理（如 Plan-and-Execute 代理），从大规模多语言/非结构化数据源中自动检索、提取和合成领域知识，生成高置信度语料库用于持续预训练。
• 开发并迭代基于强化学习的后训练方法（如 CPT、SFT、DAPO），提升模型在领域特定问答、推理和知识建模任务上的性能。
• 构建并优化用于内容生成和理解的多模态 LLM 应用，包括产品文案、语义搜索召回以及业务潜力/CTR 预测。
• 设计端到端代理工作流，集成查询理解、内容生成、验证及下游产品/搜索系统。
• 构建生成式表示学习流程（如基于行为序列的 token 生成式预训练），为下游排序和推荐模型生成可复用的嵌入。
• 跨职能协作，将业务需求转化为可扩展的模型训练和代理系统设计；持续监控生产指标以指导模型和代理优化。

任职要求

• 计算机科学、自然语言处理、人工智能、电气与电子工程、信号处理或相关领域硕士及以上学历。
• 至少 5 年全职行业经验，从事 LLM/ML 算法工程，包括针对垂直业务领域的大规模模型持续预训练（Dense 和/或 MoE 架构）的实践经验。
• 具有设计和构建自主代理系统（如使用 LangGraph 或类似框架）的实践经验，用于自动化知识检索、提取和合成流程，并结合 LLM 后训练技术（SFT、基于 RL 的方法如 DAPO）以及预训练数据整理的数据混合优化技术的实践经验。
• 具有微调和部署多模态大模型用于内容生成、语义召回或业务潜力预测的经验，并在关键业务指标（如 CTR、转化率）上产生可证明的生产影响。
• 良好的编程和工程技能；扎实的经典 ML 技术基础（如 LightGBM、XGBoost、贝叶斯建模）者优先。
• 良好的问题解决能力；能够独立推动项目从研究到大规模生产部署。
• 具有多模态检索/推荐系统（如用于内容匹配的跨模态对比学习）经验者优先。