岗位职责:

1. 跟踪RAG及大模型相关技术的最新发展趋势（如多模态检索、增量更新算法、混合检索、GraphRAG等），探索前沿检索算法、语义分块技术和生成优化方法，跟踪 RAG 领域前沿技术，持续推动技术创新，推动技术方案升级；
2.RAG 技术方案设计与落地：主导 RAG 系统全生命周期建设，包括知识库构建（非结构化数据清洗、结构化存储）、检索算法选型（向量检索、语义检索等）、生成优化（prompt 工程、上下文融合），确保系统适配企业业务场景；
3. 技术优化与问题解决：持续优化 RAG 系统性能，包括检索速度、生成准确性，针对业务反馈的检索偏差、回答错误等问题，快速定位原因（如知识库更新不及时、检索算法参数不合理）并迭代优化；
4.对关键业务实现提供技术支持，解决团队成员开发过程中遇到的问题，如能根据模型上下文窗口大小（如 4k/8k/32k）、token 消耗成本，设计适配的 RAG 拆分与拼接策；
5.负责服务的交付与运营，责任心强，端到端完成AI服务的定制化改造，能力对接与业务系统落地，并为业务系统提供运营保障。

1.计算机科学与技术、软件工程、人工智能等相关专业本科及以上学历，2年以上 RAG 相关技术研发经验。
2.基础技术栈：熟练掌握 Python 编程语言，精通 NLP 常用框架（如 Hugging Face Transformers、LangChain、FAISS），具备向量数据库（如 Milvus等）的部署与调优经验。
3.RAG 实操能力：有完整 RAG 系统落地经验，熟悉 “数据预处理 - 知识库构建 - 检索策略设计 - 生成优化- 测试上线 - 运维优化” 全流程，能独立解决检索召回率低、生成内容与上下文脱节等问题。
4.模型适配能力：了解主流大模型（如 QWEN/DEEPSEEK系列）的特性，能根据业务场景选择适配的基础模型，具备大模型微调（LoRA、QLoRA）或 上下文工程经验者优先 。
5.具备 RAG 系统性能调优经验，能通过检索层优化（向量索引压缩、缓存策略设计）、生成层优化， RAG 端到端响应时延控制，满足实时业务需求；
6.可以在压力下识别问题并制定解决方案。