腾讯大模型算法应用工程师（教育方向）
任职要求
1.理解LLM和VLM的在教育领域的前沿应用技术，对AI+教育行业应用有浓厚的兴趣，有解题、批改、AI Tutor等应用落地经验者优先； 2.熟悉大模型训练优化方法，有多模态大模型训练经验者优先； 3.具备优秀的编程能力和良好的工程实践习惯，代码风格清晰简洁； 4.拥…
工作职责
1.负责LLM和多模态大模型在教育领域能力提升，优化元宝教育应用效果，包括但不限于：CPT、SFT、Reward设计与RL训练等； 2.应用大模型技术，设计并优化教育场景AI Agent的核心能力，例如思路规划、Memory机制、工具调用以及多Agent协作，推动Agent技术在教育领域的应用； 3.基于教育领域模型应用特点，构建精准的模型自动评测能力，持续优化模型领域评测集与评测效果； 4.主导算法从需求分析、方案设计、数据处理、模型训练评估与上线的全流程，确保算法高效、稳定地服务于产品。
1.算法开发： a).参与LLM / 多模态大模型训练、微调、部署等全流程工作； b).提升模型在业务场景的效果表现（如内容理解准确率、生成内容可控性）与推理性能（吞吐量 / TPS提升）； 2.应用落地：通过分析业务数据，结合当前主流工具 / 流程，协助团队将大模型应用到各项内容理解和内容生产任务中去； 3.探索大模型与其他技术栈（如知识图谱、数据库）的集成方案并尝试应用于产品；跟踪大模型领域最新进展（如RAG、CTG、MCP等），进行技术验证与落地实践。
1. 基于 LazyLLM 框架，负责 LazyRAG 系统的核心模块研发，包括文档解析服务、检索算法优化、问答链路设计及自进化机制的工程实现。 2. 深入参与 RAG 算法迭代：包括切片策略、多粒度索引、Embedding/Reranker 模型升级、Agentic RAG 编排等方向，持续提升系统在多场景下的问答准确率。 3. 负责系统可观测性与评测体系建设，包括自动化评测集构建、Bad Case 归因分析、A/B Test 机制设计与落地，推动算法能力的数据驱动迭代。 4. 参与记忆管理与自进化模块的研发，包括词表/规范/技能的自动提取、注入与版本管理，实现系统从用户反馈中持续学习的能力。 5. 跟踪业界前沿技术（RAG、Agent、多模态检索、LLM 推理优化等），将新技术快速验证并落地到产品中。
1.模型研发：参与LLM预训练、SFT指令微调、RLHF/GRPO人类反馈强化学习，提升模型指令遵循与推理能力； 2.效率优化：负责模型量化（INT8/INT4）、蒸馏、投机解码、KV Cache优化，降低推理成本与延迟； 3.系统架构：基于vLLM/SGLang/TensorRT构建高吞吐推理服务，支持多实例水平扩展与动态调度； 4.应用落地：开发RAG检索增强系统、Agent智能体，结合知识图谱/向量数据库解决业务实际问题； 5.数据工程：构建高质量指令数据集，设计数据采样、去重、质量筛选策略，搭建数据-训练-评测闭环； 6.评测迭代：建立模型能力评测体系，分析Bad Case，持续优化模型在垂直领域的表现。
我们致力于在电商交易生态中，定义下一代AI驱动的服务范式。你将作为核心成员，负责打造具备高情商、强逻辑、高可靠性的 Service Agent。我们不仅是在做小蜜智能对话机器人，更是通过大模型技术重塑数亿用户的智能服务办理流程，构建电商服务领域的“数字大脑” 1. Agent应用架构设计与落地：负责电商服务领域复杂服务场景（如小蜜、纠纷&赔付、服务风控），设计并搭建具备多步推理、工具调用能力的 Agent 架构，负责核心产品的workflow设计，解决智能服务长链路以及多链路协作难点; 2. 构建高可用智能服务系统：主导Agent算法工程的应用落地，涵盖向量库选型、多路召回策略实现、Context Engineering以及工具调用的精准控制。负责大模型推理加速、响应延迟及成本路由控制。提升复杂商业场景下的问题解决率及落地稳定性； 3. Agent系统效果评测与迭代：针对电商服务中的高置信度场景，构建 Service Agent 专属评估体系（Benchmark）及全链路自动化评测体系，通过数据工程手段优化Prompt工程与知识库质量，确保Agent 输出符合服务严谨性要求； 4. 前沿技术探索与转化：探索多智能体协作（Multi-Agent）、多模态融合和Self-Evolving等前沿方向，鼓励将学术界的最新成果快速转化为可落地的产品能力。