【蚂蚁星】财富AI Lab-大模型Agent工程-27届

岗位职责

部门介绍： Fin-AI Lab / 财富 AI Lab 是面向金融场景打造的 AI Native 技术团队，聚焦大模型、Agentic Learning、Tool Use、复杂推理、金融数据理解与端到端 AGI 金融智能产品和系统建设。 团队的核心目标不是简单构建一个金融问答助手，而是围绕真实复杂金融场景，训练和构建能够完成长程、多步、可验证任务的大模型 Agent。我们关注大模型从“会回答”走向“会规划、会调用工具、会使用数据、会自我校验、会完成任务”的能力跃迁。 在金融场景下，Agent 面临更高的技术挑战：数据高度结构化与实时变化并存，任务链路长，工具体系复杂，事实性和严谨性要求高，推理过程需要可追踪、可验证、可控。因此，团队需要围绕 Agent 规划、工具调用、记忆、反思、执行环境、评测体系、强化学习与数据飞轮，系统性提升大模型在复杂金融任务中的能力上限。 职位描述：

1. 负责金融场景下大模型 Agent 工程框架的设计、开发和优化，支撑多工具、多步骤、长链路任务执行；
2. 参与 Agent 系统核心模块建设，包括任务规划、工具路由、函数调用、记忆管理、状态管理、异常恢复和结果校验等；
3. 负责 LLM 推理服务优化，探索并落地 KV Cache 优化、批处理、并发调度、量化、投机推理、模型路由等技术，提升推理效率和成本表现；
4. 基于 vLLM、SGLang、TensorRT-LLM、DeepSpeed、Ray 等框架，优化 Agent 线上服务的稳定性、吞吐、延迟和资源利用率；
5. 建设 Agent 评测与观测体系，包括任务成功率、工具调用准确率、延迟、成本、失败率、异常类型、链路追踪等指标；
6. 与算法团队协作，支持 Agentic Learning、SFT、RL、Reward Model 等训练链路所需的数据采集、轨迹生成、日志回放和实验平台建设；
7. 跟进大模型推理优化、Agent 框架、Tool Use、RL infra、模型服务化等方向的前沿技术，并推动在金融场景中落地。

任职要求

1. 计算机、人工智能、软件工程、机器学习等相关专业本科及以上学历，具备扎实的工程基础；
2. 熟悉大模型基本原理，理解 Transformer、LLM 推理机制、KV Cache、Attention、上下文管理等核心概念；
3. 熟悉一种或多种大模型推理框架，如 vLLM、SGLang、TensorRT-LLM、TGI、llama.cpp 等，有实际调优经验者优先；
4. 熟悉 Agent 系统开发，理解 Function Calling、Tool Use、ReAct、Plan-and-Execute、Memory、Workflow、Multi-Agent 等机制；
5. 具备较强的 Python / C++ / Go / Java 编程能力，熟悉高并发服务、分布式系统、任务调度、异步编程、缓存和稳定性治理；
6. 具备良好的系统性能优化能力，能够分析并解决延迟、吞吐、显存、并发、冷启动、资源利用率等问题；
7. 了解 SFT、RLHF、DPO、GRPO、Reward Model 等训练或后训练方法，能够与算法团队协作完成数据和训练链路建设；
8. 具备良好的问题定位和工程排障能力，能够通过日志、Tracing、Metrics、Profile 等手段分析复杂线上问题；
9. 对大模型 Agent 工程方向有持续热情，关注业界前沿框架和最佳实践，具备较强的自驱学习能力。 【加分项（模型×Agent联合优化成果）】 1.在模型与Agent的交叉领域有过充分实践优先： 2.顶会论文：NeurIPS/ICML/ICLR/ACL等与Agent/对齐/RLHF相关论文； 3.开源项目：为知名开源社区项目贡献核心代码，或有高star自主项目； 4.线上系统：参与过真实上线的AI系统，有可量化的效果指标； 5.技术影响力：高质量博客/竞赛奖项/有用户的Side Project。

特色标签

AI代理、API调用、C/C++、Golang、Java、LLM、LLM推理、Plan-and-Execute、Python、RL、Shell、SQL、Tool Use、上下文记忆、任务分解、再励学习、函数调用、分布式架构、分布式训练、发表算法相关优秀论文、基础模型、增强学习、大数据处理工具(Spark/Hadoop/Hive)、大模型算法、大语言模型、并行计算、强化学习、微服务、性能评测、推理加速、推理性能优化、效果评估、智能体、有留学背景、模型加速/性能优化、模型训练管线、状态记忆、算法工程化经验、自主代理、自然语言处理算法、英美留学生、规划算法、训练流程、训练管道、记忆机制、评估指标、金融、高并发服务