【岗位方向】 负责金融领域模型与场景化智能方案的研发。围绕投资助理、投顾系统、ChatBI、大模型/生成式推荐等核心金融场景，构建领域模型能力（持续预训练、SFT、RLHF 对齐）、金融数据体系、RAG 知识增强与场景 Agent 方案，把通用大模型能力转化为金融场景中可交付、可评测、可持续迭代的产品能力。 【工作内容】 1．场景模型能力建设：面向投资助理、投顾、ChatBI、生成式推荐等场景，负责领域持续预训练、SFT、RLHF/DPO 对齐、推理优化与 Prompt 工程，提升模型在金融任务上的专业性、事实性与合规性。 2．金融领域数据体系：构建研报、公告、财报、新闻舆情、市场行情与指标口径等多源数据的清洗、标注、合成与训练/评测数据管线，建立“业务反馈 → 数据 → 模型”的领域数据飞轮。 3．RAG 与知识增强：负责金融知识库与检索链路建设（语义检索、Schema Linking、指标语义层、混合召回），设计引用溯源与事实校验机制，控制金融场景的幻觉与合规风险。 4．场景 Agent 方案设计：针对具体金融场景设计端到端解法，包括工具调用策略、Planning / CoT 链路、领域工作流与人机协同边界；与 Agent 算法团队协作，基于统一的 Agent Harness 完成方案落地。 5．大模型与推荐融合：构建用户兴趣表征与标的 / 内容表征，探索意图理解、候选生成、排序增强与推荐理由生成，推动生成式推荐等新范式在业务中落地验证。 6．场景评测体系：构建金融领域评测基准（专业性、事实性、合规性、业务指标），组织离线评测与在线 A/B 实验，以评测驱动模型与方案持续迭代。 7．前沿跟踪与创新：跟踪 LLM、Agent、多模态、AI for Finance 前沿进展，输出技术调研、可行性分析与场景创新方案。 1．硕士及以上学历，计算机、人工智能、数据科学、金融工程等相关专业优先。 2．扎实的编程能力与工程素养，熟练使用 Python，熟悉 PyTorch 等主流深度学习框架。 3．深入理解大语言模型技术栈（Transformer、SFT、RLHF/DPO、RAG、Prompt Engineering、评测方法），有实际的模型训练或微调经验（SFT / LoRA / RLHF 至少其一）。 4．熟悉 LLM 应用开发核心范式（Function Calling、RAG、Agent），有基于 LangChain / LlamaIndex 等框架或开源模型构建完整应用的经验。 5．具备良好的数据敏感度与问题拆解能力，能独立完成“数据 → 模型 → 应用 → 评测”的完整闭环。 6．对金融市场有认知或强烈兴趣，理解投研、投顾、量化等业务的基本逻辑；能与投研、产品、工程团队高效协作，把技术方案清晰地表达给非技术背景同学。