智能互联阿里健康-大模型算法Deep Research-智能问答

1.负责医学问答深度思考模式（DeepResearch）的产品优化，支持医学临床和科研类问题。 2.探索Agentic-AI在医学领域的技术落地和架构演进，提升医学问答算法的循证率和逻辑性。 3.和优秀的同学一起合作，为医生平台创新业务注入生命力。

1.负责医学问答深度思考模式（DeepResearch）的产品优化，支持医学临床和科研类问题。 2.探索Agentic-AI在医学领域的技术落地和架构演进，提升医学问答算法的循证率和逻辑性。 3.和优秀的同学一起合作，为医生平台创新业务注入生命力。

【岗位职责】 1、复杂Query理解与拆解： 负责医疗场景下用户复杂提问（Query）的深度语义理解。利用CoT（链式思维）、ToT（思维树）等技术，将复杂的临床诊疗问题拆解为可执行的子任务序列（Planning）。 2、Agent规划与调度： 设计并优化基于LLM的Agent决策机制（如ReAct框架），负责Query重写（Rewrite）、意图路由（Router）以及各类医学工具/知识库（检索工具、药典库、指南库、计算器等）的精准调度与参数填充。 3、搜索相关性优化： 结合医疗知识图谱，通过Query扩展、实体链接等手段，优化RAG链路中的检索召回质量，解决长尾医疗问题的语义匹配难题。 4、模型微调与迭代： 针对Query规划场景，构建高质量的SFT（监督微调）数据和RLHF（人类反馈强化学习）链路，提升模型在指令遵循、逻辑推理和拒识（风控）方面的能力。 5、Bad Case归因与体验提升： 深入分析“幻觉”或答非所问的Case，从Query规划层面提出改进方案，提升医生用户的搜索满足度（Sat）。

1. 负责搜索引擎核心召回模块的算法研发与优化，包括但不限于稀疏检索，向量检索，时效性、权威性在内的多路召回体系，提升搜索结果的覆盖率和相关性。 2. 深入研究并落地基于LLM的Embedding模型，优化Query与Doc的语义匹配效果，解决长尾及语义鸿沟问题。 3. 负责查询理解模块，进行Query改写、扩展及意图识别等，与召回模块结合，提升复杂搜索词的召回准确度。 4. 探索强化学习在AI搜索中的应用，持续提升搜索系统的智能化水平。 5. 结合AB实验与离线评估数据，深入分析Badcase，驱动算法迭代，并在大规模数据索引场景下平衡性能与效果。