1、业务链路的 AI 化设计：深入理解业务核心链路，识别 AI 切入点与价值杠杆,主导从场景判断、范式选型(LLM / VLM / 多模态生成 / 垂类模型 / Agent 编排)到链路改造的端到端方案落地；\n2、模型的"本土化"驯服：针对业务特有的内容生态、用户行为与合规口径,设计 Prompt、RAG、SFT、偏好对齐等多种知识注入路径的组合策略；搭建 Bad Case 驱动的数据飞轮与业务感知评测体系，让模型在真实业务分布上持续进化；\n3、部署方案的调优：在效果、实时性、成本三者之间为业务找到稳态——主导分层部署(在线/异步/离线)、推理加速与压缩(量化/蒸馏/投机解码/语义缓存)、在离线协同链路设计，保障核心场景 P99 与首 Token 的 SLO；\n4、稳定性与可演进性：建立 AI 链路的灰度、回滚、多版本并存机制，让 AI 服务的发布节奏与业务发布流程对齐；沉淀可复用的工程范式与方法论,支撑业务持续规模化。 1、计算机、人工智能、统计学等相关专业本科及以上学历,3 年以上算法或 AI 工程相关经验；\n2、熟悉 LLM / VLM / 多模态模型的能力边界与典型范式，有过将通用大模型落地到具体业务、并取得可度量业务收益的完整项目经验；\n3、精通 Prompt Engineering、RAG、SFT、偏好对齐中的至少两项,对各自适用边界有清晰判断，反对"一招鲜"；\n4、熟悉模型推理加速与压缩的主流技术栈(量化、蒸馏、投机解码、KV Cache、语义缓存等)，理解每种手段的效果代价；\n5、具备扎实的工程素养,能独立完成从离线实验、在线部署到 SLO 保障的完整闭环，具备处理高并发、低延迟在线服务的实战经验；\n6、数据敏感,擅长把模糊的业务问题拆解为可度量的指标与可证伪的实验，反感"故事化"归因。\n\n加分项：\n1、主导过亿级流量在线 AI 服务的部署与稳定性治理；\n2、在 Agent 编排、长链路工具调用、多模型协同调度方面有实践经验；\n3、有跨算法 / 工程 / 业务 / 数据多方协作并推动组织级范式升级的经验。