京东循证医疗智能体（DoctorClaw）的创新与应用研究
校招全职多模态大模型与应用方向地点：北京状态：招聘
任职要求
1. 计算机科学、人工智能、软件工程或生物医学工程等相关领域的本硕博在校生。2. 精通Agent底层技术栈（如ReAct、Tool Learning等），具备深度学习大模型训练与强化学习闭环优化经验。3. 具备突出的底层架…
登录查看完整任职要求
微信扫码，1秒登录
工作职责
1. 负责设计并主导研发面向医生临床与科研刚需的循证医疗智能体（Agent）核心架构，打通“感知-规划-执行”全链路。2. 深度结合医疗场景痛点，利用大规模模型微调（SFT）与强化学习（RL）前沿技术，对智能体进行专项能力进化。3. 攻坚智能体在复杂医学工具调用、数据检索及长时序推理上的瓶颈，将其任务完成度提升至医疗级的可信标准。4. 驱动前沿学术成果的产品化转化，通过高质量学术论文或技术专利提升团队在智慧医疗领域的行业话语权。
包括英文材料
AI agent+
https://www.ibm.com/think/ai-agents
Your one-stop resource for gaining in-depth knowledge and hands-on applications of AI agents.
React+
[英文] Quick Start - React
https://react.dev/learn
This page will give you an introduction to 80% of the React concepts that you will use on a daily basis.
https://www.youtube.com/watch?v=SqcY0GlETPk
Master React 18 with TypeScript! ⚛️ Build amazing front-end apps with this beginner-friendly tutorial.
https://www.youtube.com/watch?v=x4rFhThSX04
Learn modern React basics in the most interactive, hands-on way possible in the full course for beginners.
深度学习+
https://d2l.ai/
Interactive deep learning book with code, math, and discussions.
大模型+
https://www.youtube.com/watch?v=xZDB1naRUlk
You will build projects with LLMs that will enable you to create dynamic interfaces, interact with vast amounts of text data, and even empower LLMs with the capability to browse the internet for research papers.
https://www.youtube.com/watch?v=zjkBMFhNj_g
还有更多 •••
相关职位
实习研究型实习生
研究领域： 大模型 项目简介： 医疗RAG系统缺乏可验证证据溯源能力，难以确保医学内容的规范性与权威性，PICO结构化问答与证据召回，结合Meta-analysis、指南和系统综述的证据增强生成。本项目具体包括以下几方面的工作： 一、医学文献解析方案研究 1. 适配多源医学文献格式（PDF/HTML/数据库接口等） 2. 提取文献结构与元数据（标题、摘要、作者、研究类型等） 3. 自动抽取医学证据要素（PICO、效应量、统计值、结论等） 4. 建立基础标注集与解析准确率评测体系 二、医学证据图谱构建方案研究 1. 设计证据图谱 Schema（节点、关系、证据等级） 2. 统一医学实体标准（疾病、药物、术语等规范化） 3. 建立文献→Meta→指南的证据链路 4. 设计图谱增量更新与版本管理机制 三、医学证据索引构建策略研究 1. 构建文本结合结构化字段的混合索引 2. 设计文献分段与证据级 Chunk 切分策略 3. 研究医学专用向量模型与嵌入优化 4. 建立索引评测指标（召回率、覆盖率等） 四、医学证据检索策略研究 1. 开发关键词 + 向量 + 图谱的混合检索机制 2. 支持“按证据等级/研究类型”过滤检索 3. 实现问题意图识别与 PICO 查询重写 4. 建立医学证据检索评测体系 五、医学证据重排策略研究 1. 研究“相关性 + 证据等级 + 时效性”融合排序模型 2. 提取可影响排序的证据质量特征（样本量、研究类型等） 3. 引入 LLM/Ranker 模型进行排序优化 4. 提供可解释的证据排序输出
上海|杭州