研究型实习生-分布式RAG并发执行与大模型协同优化技术研究

岗位职责

本项目重点探索RAG系统与大语言模型（LLM）的深度协同机制。通过联合优化检索内容选择、上下文压缩、提示构造与LLM推理过程，实现信息供给与模型理解能力的精准对齐；设计动态缓存、分层召回与早期退出策略，减少冗余计算；在分布式架构下支持RAG与LLM的异步并行与资源协同，显著提升吞吐、降低延迟与Token消耗。目标是在保障回答准确率的同时，构建高效、可扩展的RAG-LLM协同推理引擎，支撑高并发企业级应用。

任职要求

研究领域： -目前正在攻读计算机科学或相关STEM领域的学士,硕士或博士学位 -具有一种或多种通用编程语言的经验,包括但不限于: Java,C/C ++ 、Python、JavaScript或Go -具有上述研究领域的相关经验,包括行业经验或作为参与实验室研究 优先录用： -对技术研究充满热情,具有产生新思想和创新的能力; 在自学,问题分析和解决方面表现出色 -在国际会议上或核心期刊发表一份或多份出版物或论文 -至少3个月的全职工作

特色标签

C/C++、Golang、Java、LLM、Python、上下文优化、分层召回、分布式架构、分布式系统、分布式计算、动态缓存、大模型算法、大语言模型、并行处理、并行计算、异步并行、提示构造、早期退出、检索-Augmented生成、检索增强生成、模型加速/性能优化、模型推理、深度学习、联合优化、自然语言处理算法、资源协同、高并发