AI算法工程师

业务方向： 聚焦企业内部业务场景，参与大模型应用（Agent/RAG）落地及核心业务指标的预测建模，实效驱动。 大模型应用与RAG优化： 负责检索增强生成（RAG）链路的日常开发与迭代，包括数据清洗、多格式文档切片（Chunking）、向量化（Embedding）及基础的检索策略优化，解决实际业务中的知识库问答准确率问题。 模型微调与Prompt调优： 针对特定业务场景（如生成诊断报告、意图识别），配合完成大语言模型的指令微调（SFT）数据构建与模型训练，并持续优化系统级Prompt。 Agent 模块开发： 参与企业级 AI Agent 的核心功能开发，实现具体的工具调用（Function Calling）接口封装、多轮对话状态管理及数据流转。 数据建模与特征工程： 参与零售、消费品或智能制造（OEM）场景下的预测业务。利用传统机器学习（树模型/时序模型），针对海量历史数据进行深度特征清洗与提取，持续提升销量预测、进销存诊断等模型的基线效果。 复合业务流打通： 配合主R（核心负责人）打通预测大盘与大模型的链路，协助实现“从底层数据诊断预测，到上层生成业务总结报告”的完整数据流转化。

经验底线： 1-3年算法研发经验，有完整参与过落地的算法项目（具备大模型应用实战或传统机器学习预测项目经验者优先）。 技术基础扎实： 熟悉Transformer等主流深度学习模型架构，熟练使用PyTorch框架。 掌握LLM的基础微调手段（如LoRA、P-Tuning）及常见的部署加速工具（如vLLM）。 熟悉常见的机器学习算法（如XGBoost、LightGBM、Random Forest）及基础的时间序列分析方法，具备较强的数据敏感度。 编码与工程化： 具备良好的Python编码习惯，熟悉常用的数据结构与算法，能够编写规范、可读性强的工程代码，而非仅仅停留在Notebook调参。 业务理解力： 踏实肯干，愿意深入理解诸如Sell-In（渠道进货）、Sell-Out（终端销售）、DOS（库存水位）等供应链及零售核心指标，能够将业务需求转化为具体的数据处理逻辑。 加分项 计算机、数学、统计学等相关专业硕士学历。 有Kaggle等数据挖掘/预测类竞赛（Tabular/Forecasting）的获奖经历。 参与过知名开源大模型工具链项目（如LangChain, LlamaIndex），或在GitHub上有高星个人项目。