如果你最近在看AI岗位，很容易形成一种印象：大家好像都在训练模型、调效果、做应用。但其实当大模型真正接入业务之后，一个更棘手的问题开始浮出来：如果模型被攻击、被诱导、甚至被滥用，会发生什么？今天我们要说的AI安全算法工程师其实就在解决这件事。相比“把AI做得更强”，它更关注的是另一面——👉 如何让AI在复杂环境下，依然是可控的、可信的。一天一个AI岗位解析打破AI求职信息差，今天我们拆解的是AI安全算法工程师——Flow安全🧩 主要工作内容：让模型“不出事”如果只看岗位名称，很容易把它归到“算法岗”，但拆开JD会发现，它的工作重心其实有一个明显的转向——👉 用大模型能力，去解决安全问题，...

一开始签了个AI coding什么的，当时想欸这么好可以用AI？（似乎那个AI coding是ai面试？）然后再看又是切屏不计入，又是允许本地IDE，干脆直接chatgpt启动了出来和大家讨论发现好像不能用AI上小红书搜发现这么干的不是少数，尤其是本地IDE直接是cursor和trae的而且发现这个问题去年秋招就有人问过，更离谱的是当时有的人问HR，有的HR说可以有的说不可以现在发了邮件去问招聘团队了，感觉是细则没写清楚要是直接说不能用不如直接签到题走人更省时间

1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...