岗位职责：

1、LLM应用开发与优化

负责大语言模型（LLM）相关应用的开发、优化和部署，包括但不限于问答系统、智能对话、内容生成等场景。

设计和实现基于LLM的复杂应用流程，如检索增强生成（RAG）、多轮对话系统、任务自动化（Agent）等。

优化LLM应用的性能，包括响应速度、准确性和用户体验。

2、技术栈集成与工具使用

熟练使用LangChain、LangGraph等LLM应用框架，构建高效、可扩展的应用流程。

集成向量数据库实现高效的文本检索和相似性搜索。快速搭建和部署LLM应用。

数据处理与模型集成 ，负责数据的收集、清洗和预处理，构建高质量的训练和测试数据集。

实现文本嵌入（Embedding）模型的集成与应用，提升文本表示的质量。

结合外部知识库或API，增强LLM的能力，实现更精准的问答和推理。

3、Prompt设计与模型调优

设计高效的提示词（Prompt），提升LLM的输出质量和稳定性。

对LLM的输出进行评估和优化，解决模型生成中的偏见、错误或不一致问题。

4、团队协作

与产品经理、技术总监等团队成员紧密合作，理解业务需求并转化为技术方案。

参与项目的全生命周期管理，包括需求分析、技术设计、开发实现、测试部署和运维支持。

编写清晰的技术文档，分享技术经验和实践，提升团队整体技术水平。

技能要求：

1、精通Python编程，具备扎实的算法和数据结构基础。

熟悉常用深度学习框架，如PyTorch，能够独立完成模型训练、调优和部署。

了解Transformer架构及其在自然语言处理（NLP）中的应用。

2、深入了解大语言模型（LLM）的应用框架，包括但不限于LangChain、LangGraph、LlamaIndex等

掌握LLM相关技术栈，如：

Embedding技术：熟悉文本嵌入模型，能够实现文本向量化表示。

向量数据库（Vector DB）：熟练使用Pinecone、Weaviate、Milvus、FAISS等向量数据库，实现高效的相似性搜索和数据存储。

检索增强生成（RAG）：具备RAG架构的实际应用经验，能够结合LLM与外部知识库实现高质量的问答系统。

Agent技术：熟悉LLM驱动的Agent开发，能够设计并实现多轮对话、任务规划和自动化工作流。

了解LLM的微调（Fine-tuning）技术，包括LoRA、QLoRA等高效微调方法。

3、熟练掌握LangChain和LangGraph，有实际项目经验，能够构建复杂的LLM应用流程。熟悉Dify、Coze等LLM应用开发平台，能够快速搭建和部署LLM应用。熟悉基于docker的部署，具备LLM应用的全流程开发经验，包括需求分析、数据处理、模型集成、性能优化和部署上线。

4、熟悉Prompt Engineering，能够设计高效的提示词（Prompt）以提升LLM的输出质量。了解LLM的评估方法，能够设计并实施对模型性能的评估和测试。

5、具备良好的沟通能力和团队协作精神，能够与产品、设计、工程等多部门高效合作。具备较强的学习能力和问题解决能力，能够快速掌握新技术并应用于实际项目。对AI技术有热情，关注行业前沿动态，能够主动提出创新性解决方案。