岗位职责

（Responsibilities）

负责AI搜索核心算法方向建设，围绕LLM Search、GenSearch、RAG、Agent Search设计并落地检索、重排、生成、反馈闭环等关键能力，支撑新一代搜索体验升级。
大模型后训练（Post-training）：负责搜索场景下大语言模型（LLM）的微调与对齐，包括高质量SFT数据建设，以及利用强化学习（如PPO、DPO、GRPO等）进行人类/AI反馈对齐（RLHF/RLAIF），提升大模型在搜索问答、查询理解和医学推理总结上的能力。
搜索Agent与智能检索：设计并落地基于LLM的搜索Agent架构，实现复杂Query的任务拆解（Planning）、查询改写（Rewriting）、工具调用（Tool-use/Browsing）、自我反思（Self-Reflection）与动态决策流，落地工业级Skills。
主导建设面向AI搜索的数据飞轮与评测体系，包括垂直领域专家级训练数据构造、偏好数据生产、自动评测、人工评测、线上实验与Badcase闭环，形成可持续迭代的算法生产机制。
与工程、产品、数据团队协作，在大规模、高并发线上环境中推动算法架构演进，兼顾效果、时延、稳定性与成本，实现前沿技术向业务价值的高效转化。

职位要求

（Qualifications）

教育背景：计算机、数学、人工智能等相关专业硕士及以上学历，2年以上搜索、推荐或大模型相关算法工作经验。
算法基础：深入理解机器学习、深度学习及信息检索（IR）基本原理；熟练掌握 PyTorch 及常用大模型微调/推理框架（如 DeepSpeed, Megatron-LM, LLaMA-Factory, vLLM, Ray 等）。
大模型实战经验：熟悉主流开源LLM的架构设计，有实际的SFT、DPO/PPO等后训练实操经验，对大模型涌现能力、Prompt Engineering有深刻理解。
搜索/RAG背景：熟悉 RAG 系统全生命周期，理解向量数据库及索引原理，有在检索、重排或Query理解（改写、意图识别、实体抽取）领域的实际落地经验。
学习与跟进能力：具备极强的学术敏感度，能快速跟进并复现业界最新论文（如 Agent 架构、新的 Alignment 方法等）。