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、Python、Token开销、Token成本、云服务、云计算、内容召回、分层召回、分布式架构、分布式系统、分布式计算、分布式训练、动态缓存、协同推理系统、发表算法相关优秀论文、吞吐性能、基础设施、大模型、大模型算法、并发执行、异步并发、异步执行、推理框架、数据安全、文本生成、有留学背景、检索增强生成、检索增强语言模型、模型加速/性能优化、算法工程化经验、系统吞吐、缓存机制、自然语言处理算法、英美留学生、语义理解、预训练语言模型、高并发