商汤大装置-大模型算法应用工程师
任职要求
1.有扎实的编程基础，熟练掌握 Python，掌握至少一个主流深度学习框架(如 PyTorch、Tensorflow)。 2.了解主流大模型的使用方式和 API，了解主流的RAG和Agent应用开发框架，学握LazyLLM优先。 3.具备工业级-多模态-Agentic-RAG实践经验，数量学握RAG效果提升，功能扩展和性能优化的技巧。(b站搜索LazyCoder可学习) 4.具备良好的代码水平，具备独立开发并部署 AI服务的能力，具备较强的分析与抽条能力，能独立定位大模型推理中的性能瓶颈与效果问题。 加分项 1.有实际参与过大模型类产品(如智能客服、搜素问答、智能报告生成等)的开发和选代; 2.有LazyLLM的实战经验，有 AIGC、代码生成、图表问答、多模态等方向经验者优先; 3.有较强的英文文献阅读能力和表达能力，能快速理解并复现最新论文方法，并能与国外开发者交流者优先。
工作职责
1.大模型应用开发：负麦基于主流开源/闭源大模型进行应用落地，包括问答系统、智能助手、知识检索、文档处理等；并与产品、前端、后端、数据团队紧密协作，推动算法模型在真实业务中的部署与落地。 2.RAG 系统优化：主导通用型 RAG(Retrieval-Augmented Generation)系统的构建与效果优化，包括召回、排序、长文本处理、多文档合成等关键环节。 3.模型效果调优：结合业务场景，设计 Prompt、微调、评测等策略，提升大模型在特定任务中的表现。 4.技术积累与分享：沉淀可复用的模型应用框架、调优经验和评估指标，推动团队整体技术能力提升。
1.大模型应用开发：负麦基于主流开源/闭源大模型进行应用落地，包括问答系统、智能助手、知识检索、文档处理等；并与产品、前端、后端、数据团队紧密协作，推动算法模型在真实业务中的部署与落地。 2.RAG 系统优化：主导通用型 RAG(Retrieval-Augmented Generation)系统的构建与效果优化，包括召回、排序、长文本处理、多文档合成等关键环节。 3.Agent 框架开发：研究和实现多 Agent 协作框架，提高 Agent 在复杂任务中的稳定性与执行效果，探索如任务分解、工具使用、状态记忆等机制。 4.模型效果调优：结合业务场景，设计 Prompt、微调、评测等策略，提升大模型在特定任务中的表现。 5.技术积累与分享：沉淀可复用的模型应用框架、调优经验和评估指标，推动团队整体技术能力提升。
开发https://github.com/LazyAGI/LazyLLM 【注意】此岗位对编程要求较高，面试前欢迎先了解项目，会展开交流。 1. 结合业务落地的经验，探索并形成各个垂直领域应用定制开发的标准作业程序(SOP)，沉淀到LazyLLM中 2. 打造灵活高效的场景应用建设方案，搭建从数据到训练、微调、部署、推理、评测、交付的低代码大模型应用生产SDK。 3. 与公司内外的行业伙伴合作，打造端到端解决方案能力，探索如一体机、私有化应用开发平台、国产芯片等业务交付新形态。
开发并维护高可用，易扩展的后端服务 优化后端服务的性能和可扩展性，分析并解决系统中的性能瓶颈。 设计和实现高效的 API 以及微服务架构，支持复杂的业务逻辑需求。 与前端、算法、DevOps 以及其他后端团队密切合作，共同推动技术解决方案的落地。
支持商汤SenseCore AI智算数据中心以及大模型应用开发平台等多产品的技术设计、开发工作； 开发并维护高可用，易扩展的后端服务； 优化后端服务的性能和可扩展性，分析并解决系统中的性能瓶颈； 设计和实现高效的 API 以及微服务架构，支持复杂的业务逻辑需求； 与前端、算法、DevOps 以及其他后端团队密切合作，共同推动技术解决方案的落地。