大模型应用开发工程师-Large Model Application Development Engineer(J20151)

一、知识库与知识问答系统搭建 (RAG System)

1. 负责企业级知识库底层建设，设计并实现高效的文档解析、清洗及切片（Chunking）流水线，支持 PDF、Word、Excel 及各类非结构化数据的结构化提取；
2. 负责向量数据库（如 Milvus, Pinecone, pgvector 等）的选型、表结构设计与高并发检索性能优化；
3. 负责构建检索增强生成（RAG）系统，实现多源异构数据的统一检索与知识问答闭环。

二、 核心 AI Agent 架构设计与开发

1. 负责基于主流框架（如 LangChain, LangGraph, AutoGen, Spring AI 等）进行 AI Agent（智能体）与多智能体系统（Multi-Agent System）的架构设计与核心代码编写；
2. 负责 Agent 的工具链（Tools）设计与集成，使 Agent 具备调用外部 API、执行数据库查询及运行特定业务逻辑的能力；
3. 设计并实现复杂的 Agent 任务规划（Planning）、记忆机制（Memory）与状态管理（State Management）。

三、 RAG 效果调优与问答准确率提升

1. 针对复杂业务场景，应用前沿检索优化策略，包括：查询重写（Query Rewriting）、混合检索（Hybrid Search）、重排（Reranking, 如 BGE-Reranker）以及 Parent-Child Chunking、Sentence Window Retrieval 等；
2. 负责提示词工程（Prompt Engineering）的系统化设计与迭代，针对特定大模型进行指令微调与少样本提示（Few-Shot）优化；
3. 搭建 RAG 评估与监控体系，利用评估框架（如 Ragas, TruLens）对检索相关性、回答忠实度等指标进行量化评估，持续驱动准确率迭代。

四、 结构化数据问答系统开发 (Text-to-SQL / Data Q&A)

1. 负责 Data Q&A 系统的方案设计与开发，实现将用户的自然语言查询精准转化为高性能 SQL 语句（Text-to-SQL）或 API 调用；
2. 设计并优化 Schema Linking（元数据映射）机制，提升 Agent 在面对复杂多表、动态关联查询时的容错性与准确率；
3. 构建数据安全与执行沙箱机制，确保 Agent 执行 SQL/数据查询时的安全性与事务控制。

一、 核心技术能力

1. 编程语言：扎实的 Python 或 Java 功底（熟练掌握至少一种），具有优秀的数据结构与算法基础，代码风格良好；
2. 大模型生态：深入理解大语言模型（LLM）的工作原理，熟练掌握 LangChain、LangGraph、LlamaIndex 或 Spring AI 等至少一种主流 AI 开发框架；
3. 数据能力：熟悉关系型数据库（如 PostgreSQL, MySQL）以及分布式数据仓库（如 StarRocks, Oracle），具备编写高难度 SQL 的能力；熟练使用至少一种向量数据库；
4. 数据处理经验：熟悉常用的文档解析库（如 PyPDF, Unstructured, LayoutPDFReader 等），有海量非结构化数据处理经验者优先。

二、 加分项

1. 有过实际落地的 Agentic RAG（主动搜索/多轮纠错）项目或企业级 Text-to-SQL 生产环境落地经验；
2. 熟悉大模型微调（SFT）或有向量表征模型（Embedding）、重排模型（Reranker）本地微调经验；
3. 具备良好的软件工程素养，熟悉微服务架构、Docker/Kubernetes 容器化部署。