1. 模型选型与评估： 深入研究、评估和选型适用于特定业务场景（尤其关注知识利用能力）的开源和商用大语言模型（DeepSeek, Llama, ChatGLM, GPT系列等）。
2. 模型微调（SFT/RLHF）： 设计并实施监督微调和基于人类反馈的强化学习策略，优化模型在结合外部知识（RAG上下文）后的回答准确性、可靠性、稳定性和风格一致性。
3. 提示工程（Prompt Engineering）优化： 针对RAG场景，设计、开发和优化提示词模板和策略，高效地将检索到的知识整合到模型生成过程中，提升最终答案质量。
4. 模型推理与性能优化： 优化模型的推理效率和服务部署，关注模型在知识注入后的推理行为。
5. 协同知识利用： 与知识图谱工程师和数据工程师紧密合作，理解知识表示和检索方式，为模型设计最佳的知识接入和利用机制。与数据工程师合作定义模型训练/微调所需的数据规格。
6. 前沿技术跟踪： 持续跟踪大模型训练、微调（SFT/RLHF）、提示工程、推理优化等领域的最新进展。

任职要求

1. AI技术栈：
深入理解主流LLMs架构、训练/微调原理及应用场景。
精通大模型微调技术（SFT, RLHF, PPO, DPO等）及其工程实践。
精通提示工程（Prompt Engineering）技术，尤其在结合检索结果（RAG Context）进行回答生成时的优化技巧。
熟悉Langchain/LlamaIndex等框架在模型集成与调用方面的应用。
经验要求：
2年以上大模型应用、微调（特别是SFT/RLHF）或训练经验。
有成功应用或优化LLM于复杂任务（特别是需要外部知识的任务）的项目经验。
具备模型性能调优和推理优化的经验。
2. 核心技能：
模型评估与选型能力。
强大的模型微调（SFT/RLHF）工程能力。
高级提示工程（Prompt Engineering）能力（RAG场景重点）。
模型推理优化能力。