1.知识图谱全栈工程化建设 基于业务需求场景，对业务数据进行系统梳理，运用深度学习算法或领域专家人工方式，抽取并构建知识图谱本体所需的实体、关系及属性； 通过机器学习与规则引擎相结合的方法，完成实体消歧、共指消解、属性归一等知识融合处理，建立统一的数据标准与知识规范； 设计高性能的知识存储架构，结合图数据库与列式数据库的优势进行异构存储，针对不同业务场景构建数据组织分类与索引策略。 2.数据资产图谱化与平台能力建设 建设企业级数据资产知识图谱平台，统一元数据、数据血缘、数据质量、权限管理等全量资产的图谱化表达； 负责图数据库的 Schema 设计与性能优化，保障知识图谱的可扩展性与查询效率。 3.”知识图谱 + 大模型”融合应用落地（核心方向） 探索并落地知识图谱与大语言模型的协同框架，建设基于 GraphRAG 的智能问答与知识检索系统； 建设智能数据发现与资产推荐能力，基于 Embedding 与语义检索技术实现跨源数据的智能匹配与推荐； 基于知识图谱增强业务场景的分析计算能力，支持智能血缘诊断、质量问题根因定位、Text2SQL 语义转化等高级应用； 配合研发、测试团队完成产品功能的设计、开发与上线迭代。 4.技术演进与团队协作 跟踪知识图谱、图神经网络、大模型应用等前沿技术动态，持续推动技术方案升级； 完成团队交办的其他技术攻关任务。 1.学历与经验：计算机、人工智能、数据科学等相关专业，本科及以上学历；3 年及以上知识图谱相关工作经验，具有至少一个完整的知识图谱应用项目从 0 到 1 的落地经验。 2.知识图谱核心能力（硬性要求）： 精通知识图谱全生命周期技术：知识抽取（实体/关系/事件抽取）、知识融合（实体消歧/共指消解/本体对齐）、知识存储（Schema 设计/图数据库选型）、知识推理与计算； 熟练使用主流图数据库（，掌握 Cypher 或 Gremlin 图查询语言，具备图查询性能调优与大规模图数据治理的实战经验； 具备元数据、数据血缘、数据质量信息统一建模到知识图谱的实践经验者优先。 3.大模型与 AI 应用能力（核心加分项）： 对 RAG（检索增强生成）、语义检索、Embedding 模型、向量数据库有实践经验或系统性学习； 了解大语言模型（LLM）基本原理，有 GraphRAG 或基于知识图谱的增强式问答系统开发经验； 有智能数据发现、资产推荐、Text2SQL 等方向的项目经验者优先。 4.数据工程与研发能力： 熟悉至少一种大数据技术栈，理解数仓分层建模、分区策略与任务调度机制； 熟练使用 Python，能够进行算法原型开发与数据工程实现； 熟悉 Linux 系统，熟练使用 Neo4j、ClickHouse 等数据库进行数据存储结构设计； 具备较强的模型设计能力，熟悉主流的机器学习与深度学习算法框架。 5.软素质：具有较强的跨团队沟通协调能力、技术学习能力、问题分析与解决能力，能够在业务需求与技术实现之间高效转化。 优先条件 有企业级数据资产平台、数据中台、数据治理平台建设经验者优先； 有领域本体设计经验，熟悉金融、医疗、电商等垂直领域知识建模者优先； 在 ACL、EMNLP、KDD 等顶级会议/期刊发表过知识图谱相关论文者优先。