滴滴金融风控大模型算法工程师(JR2026040300Q)
任职要求
1、硕士及以上学历，计算机科学、人工智能、数学、统计等相关专业。 2、技能与经验：扎实的机器学习/深度学习基础，精通Python及主流深度学习框架。深入理解Transformer及大模型原理，有LangChain/LLamaIndex等应用框架研发经验；具备搜索/推荐/广告排序或信息检索相关背景，熟悉经典排序模型…
工作职责
1、核心算法研究与设计：主导金融风控领域RAG-Agent的核心算法研究与创新，包括但不限于检索算法优化、重排序模型设计、大模型上下文增强与生成控制策略。 2、RAG全链路算法优化：研发面向非结构化金融文本的智能切片算法、查询理解与重写模型、多路召回融合策略，重点攻克多阶段排序模型，优化混合检索结果的精准度与相关性；研究与实施大模型在金融风控场景下的高效微调方案、提示工程范式与推理链设计，致力于提升生成内容的准确性、可追溯性与逻辑严谨性；构建领域定量的RAG评估体系，设计自动化评估算法与badcase分析机制，驱动算法闭环迭代。 3、前沿探索与业务赋能：探索Agent规划与决策、多模态信息融合、长上下文建模等前沿方向在风控场景的算法落地，并将核心算法能力转化为业务价值。
1.面向AI应用场景的大模型后训练方向的核心技术研发，包括SFT、偏好学习、强化学习等算法研发、优化与创新，提升业务效果； 2.利用LLM能力，构建用户异常交易、可疑行为特征模型，深度识别客户风险； 3.跟踪大模型后训练方向的前沿技术，参与前沿算法研究，推动研究成果在反洗钱与风控场景的落地应用； 4.基于用户特征、文本数据及尽调资料等信息，探索创新的技术来更好了解客户，洞察用户交易风险。
1.负责金融风控场景中AI Agent方向的架构升级，提升大模型逻辑推理和任务规划能力，构建具备自主决策、协作与工具调用能力的多智能体系统（Multi-Agent System），推动大模型从“对话式AI”向“任务执行体”演进，解决复杂场景下的自动化问题； 2.深入研究并应用LLM的复杂推理技术（如思维链CoT、思维树ToT），并熟悉应用Prompt Cache，多工具并发调度，上下文隔离，长短期记忆管理，权限与安全收敛等Agent工程化和治理技术，赋予Agent独立探索与解决问题的能力； 3.跟进LLM相关的算法最新技术方向，运用指令微调、强化学习等方法，提升大模型规划、推理与遵循指令的能力，从而提升模型知识边界探索和抗干扰的能力。
1.负责跨境电商平台信用卡支付链路的风控策略设计与优化，涵盖交易反欺诈、发卡行授权率提升、支付成功率优化等核心场景； 2.平衡欺诈风险防控与支付成功率，设计分地区、分卡种、分金额的差异化风控策略，实现风险-收益最优化； 3.参与建立支付授权率多维度监控体系，覆盖发卡国家、发卡行、卡组织、卡类型、响应码等维度，实时发现异常并驱动策略迭代； 4.关注跨境支付领域新型风险趋势（如加密虚拟卡、预付卡欺诈等），及时识别风险并建立针对性防控方案。
1.参与金融风控大模型方案的设计、研发和优化。利用大模型技术，研发融合海量金融风控场景特征+样本+模型知识的通用基座大模型，提升大模型在金融场景的风险识别效果； 2.参与金融风控大模型预训练、后训练与上线部署，提升大模型落地效率和效果； 3.响应客户需求，协助完成大模型风控建模需求，确保模型在不同金融场景中的高效适配； 4.分析和处理大规模金融数据，提取有效特征以支持大模型训练和评估； 5.与团队成员合作，撰写行业标准和技术文档，分享研究成果和最佳实践，持续提升大模型行业影响力； 6.跟踪金融科技、大模型和机器学习领域的最新进展，持续提升大模型性能和创新能力。