同花顺金融Agent算法工程师
任职要求
职位要求： 1. 2026届获得硕士及以上学历，计算机、软件工程、人工智能等相关专业优先； 2. 具备优秀的问题分析与解决能力，能够深入解决智能体在训练、推理、评测与落地中的复杂问题； 3. 熟悉 Agent 相关机制（任务分解与规划、工具使用、记忆与上下文管理、RAG/检索、反思与自我修复、可靠性工程等），能设计可上线的任务闭环； 4. 熟悉大模型基本原理与关键技术（指令跟随、工具调用、长文本处理、推理能力等），具备将其应用于真实业务的能力； 5. 具备 Agent 系统评估或强化学习经验者优先：评测指标设计、自动化评估流程、RL算法实现、奖励函数设计等； 6. 对 Claude Code、OpenClaw 等 task-oriented…
工作职责
团队介绍：
我们在做"AI 在金融投研全链路的落地"，面向研究员、分析师、投资经理等角色，打造生产级的AI智能体系统，为投研业务提供端到端提效能力：从行业深度研究与竞品分析、宏观经济趋势预测与情景推演、投资逻辑构建与论证、研报与投资建议生成，到数据验证与事实核查、多源信息整合与归因，形成可规模化复用的 AI投研生产力体系。岗位方向：Agent Scaffold 研发 × Agent 系统评估 × Agentic RL 模型训练聚焦金融投研场景下的智能体系统构建，将大模型的推理能力与 Agent
的工具使用、任务规划、信息检索与多步推理能力深度结合，构建投研垂类下的 Agent系统：会搜索金融数据、会调用研报API、能分析财务指标、能构建投资逻辑链、能生成可追溯的研究结论，并持续在真实投研业务中提升效果与效率。
岗位职责：
1. 聚焦金融投研全链路提效场景，负责 Agent Scaffold 架构设计与研发，覆盖深度研究、未来预测、投资逻辑构建、长文本内容创作等核心任务；
2. 构建生产级 Agent 能力：多源数据检索与整合（宏观数据、研报库、财报、新闻等）、复杂推理与规划（多步骤任务分解、工具链编排）、证据归因与可追溯引用、长任务执行与失败恢复、结果验证与自我修正等；
3. 设计并实施 Agent 系统评估体系：包括任务完成率、推理准确性、事实一致性、工具调用成功率、成本与延迟等指标，建立可量化的评测基准与持续优化机制；
4. 探索 Agentic RL 模型训练技术：通过强化学习优化 Agent 的决策策略、工具选择、任务规划能力，在数据配比、奖励设计、训练范式上探索最佳实践，推动投研任务效果显著提升；
5. 与投研、产品、工程团队紧密协作，推动 Agent 能力落地到投研产品链路中，实现可持续迭代与规模化应用。1、针对金融业务场景，设计并开发智能 Agent 算法，提升金融服务效率和质量。 2、参与金融业务流程分析，结合 Agent 技术实现自动化决策和任务执行。 3、与金融领域专家合作，理解业务需求，优化 Agent 在金融场景下的性能和策略。 4、进行算法的实验和评估，利用数据挖掘和机器学习技术不断改进算法效果。 5、负责 Agent 系统与现有金融系统的集成与对接工作。
业务介绍： 金融大模型项目背景，目前同花顺已经向AI人工智能领域进行全面转型，AI技术有多年沉淀积累，语音、图像、NLP自然语言处理、机器学习、数据挖掘、知识图谱的全方位覆盖;产品线已经布局大数据、对话机器人、理财等多个项目，诸多业务线已经取得相关销售收入，目前在落地产业化进程中 i问财，同花顺人工智能投资项目利用自然语言解析、大数据、机器学习等人工智能技术，建立开放高效的投资研究平台。该平台将满足投资者在证券投资研究过程中高效处理信息、快速寻找投资机会的强烈需求 项目成果:i问财项目2013年上线，目前同花顺的NLP在财经领域的应用已属top、多轮对话日活量几百万等等; 工作职责： 1、负责NLP技术在自动问答、人机对话、语义理解、文本分析、推荐、机器翻译等方向上的应用研究; 2、负责NLP相关核心技术研发及前沿算法跟踪，根据产品需求完成技术转化，推动业务发展。 3、使用python基于tensorflow模块搭建深度学习模型、对金融垂直领域语料进行分析，并采用基于深度学习的人工智能算法解决各种实际应用中的问题，提升系统效率;
团队介绍： 我们深耕互联网金融信息服务领域，致力于为亿万用户打造高效、稳定、智能的一站式金融搜索服务。依托千万级日活搜索链路、百亿规模索引集群，以及成熟的RAG 与 Agent 技术体系，构建从数据采集、索引构建、语义理解、相关性排序到生成式搜索的全栈技术能力。以高可用、高稳定、高性能架构为核心，持续落地业界前沿 SOTA 技术，为用户提供精准、可靠、专业的金融信息服务。团队以突破传统搜索引擎边界为目标，深度融合搜索与大模型技术，打造下一代智能金融搜索体系。 发展方向：搜索、RAG、Agent算法专家 聚焦语义理解、内容理解、向量检索、RAG、Data Agent等核心方向，将经典检索算法与大模型、RAG、Agent 能力深度融合，覆盖用户意图识别、多模态内容理解、语义召回与精排、生成式搜索等关键场景。负责构建可支撑亿级流量、千亿级数据的工业级智能搜索系统，在真实业务场景中持续迭代算法效果、工程性能与系统稳定性。 岗位职责： 1. 聚焦互联网金融搜索与搜索增强场景，紧跟业界 SOTA 技术趋势，通过算法迭代持续提升搜索、搜索 + LLM 产品效果，支撑产品能力持续升级。 2. 负责语义相关性与语义召回算法研发，基于 LLM SFT、ReFT等构建语义基础能力，包括 LLM 与检索效果对齐、语义匹配、结构化匹配、表征学习等，提升 RAG 及核心搜索业务的文本匹配精度。 3. 建设多模态检索与多模态理解能力，针对金融场景网页、图表、图像、音视频等异构信息，构建跨模态表征、结构化抽取与精准检索体系，提升多模态内容理解与召回质量。 4. 设计与迭代 WebAgent 能力，实现网页自动浏览、交互模拟、信息抽取、事实校验与内容标准化，为搜索与 RAG 提供高质量、高可信数据源。 5. 构建 DataAgent 数据处理与知识融合链路，完成多源金融数据对齐、清洗、整合与归因校验，支撑业务规模化落地。 6. 搭建金融垂域搜索评测与效果对齐体系，从相关性、事实一致性、可用性、稳定性等多维度持续迭代优化。
1、设计与落地多轮多步数据合成流程（对话、计划、工具调用轨迹、偏好反馈等），构建高质量指令与偏好数据集。 2、组织 SFT + RL（如 DPO、RM+PPO/GRPO、RLHF/RLAIF）训练与离线评估，形成可复用训练/评测基座。 3、构建/优化 Agent 的 planning（planner、task decomposition、反思/复盘）与工具使用策略（tool selection、参数填充、错误恢复等）。 4、设计 memory 体系（短期/长期/检索记忆、用户画像）与个性化能力（偏好建模、上下文压缩、隐私保护）。 5、与产品/业务协同，将Agent能力在实际场景中落地并持续优化性能、成本与延迟。