AI 工程专家

岗位职责

1. AI Agent 应用工程化：负责企业级 AI Agent 系统的工程化建设，推进本体论知识库的建设和应用，包括企业知识库与生产级 RAG 系统（向量数据库选型 Milvus/Faiss、混合检索稀疏+稠密、Reranker 重排序、知识切分与结构化、本体论/知识图谱建模、动态知识更新、Agentic RAG 查询规划与多跳检索）、Multi-Agent 协作框架搭建（工具调用 Function Calling、动态任务规划、长期 Memory 管理、多步推理与反思机制）、Agent 评测体系（成功率/效率/鲁棒性指标设计与自动化评测流水线）；推动 Agent 在自动化决策、代操作等业务场景的规模化落地。
2. 算法工程化：将运筹优化、定价策略、库存调度、资源分配等优化算法落地为可靠的线上决策系统；构建求解器服务（OR-Tools / Gurobi / CPLEX 等）的工程封装与调度框架，实现大规模组合优化问题的高效在线求解；设计优化模型与预测模型的联合决策流水线，支撑供应链全链路的降本增效。配合算法同学将需求预测、供应链智能预测、用户行为预测等预测模型高效落地为生产系统；承担从数据流水线（Spark/Hive SQL 离线特征、Flink/Kafka 实时特征）、时序特征工程、模型训练（分布式训练 DDP/DeepSpeed、混合精度 AMP）到在线推理服务的全链路工程实现；构建预测结果的自动化监控与反馈闭环，确保预测精度在复杂业务场景（节假日效应、促销扰动、外部冲击等）下持续稳定。
3. AIOps 与智能运维：建设算法系统的智能化运维能力，基于日志/指标/链路追踪数据构建异常检测与根因分析模型，实现算法服务故障的自动发现与快速定位；搭建推理服务的自动扩缩容与智能调度系统（基于负载预测的弹性伸缩、GPU 资源利用率优化、多模型混部调度）；构建模型推理性能的持续优化体系（模型量化 INT8/INT4/GPTQ/AWQ、知识蒸馏、算子优化、Continuous Batching），在延迟（P99 级别）、吞吐与资源成本之间取得最优平衡。

任职要求

1. 计算机科学、软件工程、数学、统计、运筹学或相关专业本科及以上学历，5 年以上与算法团队紧密配合、共同构建机器学习/深度学习/最优化系统的工程经验。
2. 扎实的系统工程能力：精通 Python、Java、C++ 或 Go 中至少两门语言；具备优秀的系统设计能力，能独立完成高并发、低延迟在线服务的架构设计与实现；具备良好的代码工程质量意识（单元测试、日志规范、异常处理、CI/CD）。
3. 预测与最优化模型工程经验：熟悉机器学习模型训练全流程（数据探索、特征工程、模型训练、离线评估、在线 A/B 验证、上线部署）；有时序预测模型（DeepAR/TFT/N-BEATS 等）或优化求解器（OR-Tools/Gurobi/CPLEX）的工程落地经验；理解常用模型（LR、GBDT、DeepFM、DIN、Transformer 等）的原理与工程实现。
4. 大数据技术栈：熟练使用 Hadoop、Spark/PySpark 处理 TB+ 级数据，掌握 Flink 实时流处理基本能力；有特征平台或数据流水线建设经验；熟练使用 SQL 进行复杂数据分析。
5. MLOps 工程经验：有模型生命周期管理、自动化训练流水线、模型监控与告警、数据质量治理等方面的实战经验；了解主流 MLOps、AIOps、AutoResearch 工具栈。
6. 模型推理与部署：了解分布式训练技术（DDP、DeepSpeed ZeRO 等）；了解模型推理优化技术（TensorRT / ONNX Runtime / vLLM 等）、模型压缩（量化/蒸馏/剪枝）以及在线 serving 架构设计。
7. 知识库、本体论与 Agentic RAG 能力：理解企业知识库建设全生命周期，包括知识采集、清洗、切分、结构化、实体与关系抽取、版本治理、权限控制和质量评测；掌握本体论/知识图谱的概念建模方法，能把业务对象、关系、规则和指标沉淀为可被检索与推理使用的语义层；理解 Agentic RAG 的查询规划、子问题分解、检索路由、多跳检索、工具调用、证据融合、引用校验、反思与失败恢复，并能设计离线/在线评测与监控闭环。
8. 具备出色的跨团队沟通与推动能力，能在算法研究与工程落地之间架起桥梁，用数据和实验结果影响技术决策，推动项目高效交付。