
同花顺RAG 算法工程师
校招全职AI 算法类地点:杭州状态:招聘
任职要求
1、博士学历,计算机、数学等相关专业。 2、熟悉 RAG 技术原理(检索层、增强层、生成层),了解向量数据库(如 Milvus、FAISS)使用。 3、熟练使用 Python 及 PyTo…
登录查看完整任职要求
微信扫码,1秒登录
工作职责
1、负责 RAG(检索增强生成)系统核心算法设计与开发,优化检索准确性、知识更新效率及生成响应质量。 2、处理知识库构建(数据清洗、结构化处理)与检索策略(如向量检索、混合检索)优化,提升知识匹配精度。 3、结合大模型(如 LLaMA、GPT 系列)调试 RAG 流程,解决幻觉、知识滞后等问题,适配业务场景(如智能客服、行业问答)。 4、配合团队推进 RAG 算法落地,跟踪效果指标(如回答准确率、检索召回率)并迭代优化。
包括英文材料
学历+
RAG+
https://www.youtube.com/watch?v=sVcwVQRHIc8
Learn how to implement RAG (Retrieval Augmented Generation) from scratch, straight from a LangChain software engineer.
Milvus+
[英文] Tutorials Overview
https://milvus.io/docs/tutorials-overview.md
This page provides a list of tutorials for you to interact with Milvus.
https://www.baeldung.com/milvus-tutorial-intro
In this tutorial, we’ll explore Milvus, a highly scalable open-source vector database.
https://www.youtube.com/watch?v=7ejr_ZzU9jw
Discover the power of Milvus, an open-source vector database revolutionizing AI applications.
https://www.youtube.com/watch?v=Yhv19le0sBw
Vector databases have been trending recently as they power modern search, recommendations, and AI-driven applications.
Faiss+
https://faiss.ai/index.html
Faiss is a library for efficient similarity search and clustering of dense vectors.
https://huggingface.co/learn/llm-course/en/chapter5/6
In this section we’ll use this information to build a search engine that can help us find answers to our most pressing questions about the library!
还有更多 •••
相关职位
实习阿里巴巴研究型实
● 参与高德 AI Agent 在通识搜索场景下的 RAG 系统建设与效果优化,围绕知识组织与预处理、检索策略框架、Context 注入质量控制、检索词改写、检索结果 rerank 等核心环节开展研发。 ● 建设以 LLM 推理为中心 的评估体系,从 Information Sufficiency、Reasoning Supportability、Noise Resistance、Output Faithfulness 等维度分析并优化通识搜索效果。 ● 结合离线评测与实验分析,定位检索、推理与生成链路中的关键问题,推动算法迭代和效果持续提升。
更新于 2026-06-09北京
实习阿里巴巴2027
1. 参与多模态大模型在核心业务场景中的算法创新与应用,提升模型效果与用户体验; 2. 负责多模态大模型后训练技术研发与落地,探索并应用SFT、RLHF、DPO、RLVR等训练范式,跟进并保持业界技术领先; 3. 参与多模态RAG核心模型建设和优化:海量图文/视频内容理解与对齐、多模态向量表征与召回、语义匹配重排序等工作,支持文本/图像/视频等跨模态检索、相似检索与语义召回。
更新于 2026-03-17杭州
社招2年以上企业微信SaaS
1.负责企业微信AI搜索能力建设,用大模型技术实现并优化新型企业搜索服务; 2.利用大模型、向量语义理解、个性化搜索、知识图谱等技术,解决协同办公场景下的索引构建、召回、精排等问题; 3.将LLM、RAG的最新技术并用于业务落地。
更新于 2026-06-25成都