阿里云研究型实习生 - 基于RAG技术和知识图谱的光网络状态问答应用
任职要求
1. 深入掌握RAG架构原理，熟悉Python语言和常用设计模式，具备某专业领域文本生成模型的开发和使用经验；
2. 熟悉光网络的基本…工作职责
研究、探索将RAG技术和知识图谱技术结合的方式，并在此基础上开发光网络状态问答系统。具体职责包括： 1、 探索通过LLM和RAG技术实现从用户自然语言到Gremlin图谱查询语句的推理，并基于人工或AI工具构建一定数量的测试用例，覆盖光网络实际规划、建设、运维等场景，用于评估推理过程的可靠性； 2、 探索使用开源或阿里内部工具搭建基础RAG平台，串接用户提问、Gremlin查询语句生成、知识图谱查询、结果返回等子流程，实现一个基础的在线光网络状态查询服务； 3、 针对复杂提问，探索使用多轮查询机制，在复杂查询场景下能够结合LLM的语义理解能力自主分解用户意图，自主编排查询路径，提升查询效率。
大语言模型（LLM）是一种基于神经网络技术和海量语料库数据进行预训练的语言模型，拥有非常强大的语言理解、内容生成能力。结合检索增强生成（RAG）技术，LLM能够实时访问和整合外部知识库的信息，从而显著提高其在复杂问答和特定领域任务中的准确性和可靠性。然而，RAG方法会引入以下两种问题： 1. 额外成本（尤其是在利用搜索引擎的开放域场景下）； 2. 不可避免的引入噪音，干扰大语言模型。 本项目通过识别特定LLM的知识边界，精确判断当前问题是否需要通过检索补充外部知识，降低模型幻觉。
研究领域： 人工智能 项目简介： 在监管合规对话聊天场景中，需要针对用户给出的法规/态势/舆情等相关问题给出对应建议及观点，而用户问题涉及知识相对比较宽泛，依赖于多源数据（联网数据及内部知识库），且不同类型问题依赖检索逻辑不一。传统的RAG中通常通过改写步骤来保证问题的召回，在涉及专业领域知识时需要大量领域人员进行标注，耗费人力且效果不佳。
1. 参与基于Agentic AI的智能测试与质量保障系统研发，探索大模型在知识验证、测试生成、风险防控等核心场景的创新应用； 2. 围绕“规范驱动开发”（Specification-Driven Development）体系，构建知识可信、测试高效、风险可控的AI原生质量基础设施； 3. 开发可运行的代码与工具链（如用例&自动化代码生成引擎），还需输出完整技术方案与文档，支撑业务规模化落地； 4. 结合以上方向的探索和研究，撰写发表论文，和业界、学术界保持良好的交流。
智能存储团队专注于利用前沿的AI技术（包括计算机视觉、自然语言处理、多模态算法和大语言模型等）对海量非结构化数据进行处理、检索、管理。为用户提供海量数据场景下的“数据处理、智能索引、知识建模、知识引导生成”的全流程闭环解决方案。具体工作内容包括： 1、针对视频、图片、文档、音频等多模态文件的解析与理解； 2、基于LLM、VLMs构建的多模态RAG以及Agent应用； 3、图片、视频等AIGC的创新解决方案。 如果您热衷于探索AI技术的边界，并希望将这些技术应用于实际场景中解决复杂问题，那么欢迎加入我们！