岗位职责
围绕 RAG、检索、证据供给、LLM 与多模态信息处理等方向，负责核心算法、效果优化及技术演进，围绕检索、Rerank、Embedding、Context、Evidence、LLM 和多模态等关键技术持续提升端到端效果；重点提升面向 Agent 和大模型的高质量证据获取、筛选、组织与供给能力，深入核心业务解决复杂效果和技术问题，推动算法能力在大规模生产环境稳定落地，并承担方向技术规划、关键项目牵引和团队建设职责。
- 负责 RAG 与 AI 信息服务方向的算法技术规划和效果演进。围绕 Query 理解、召回、排序、Rerank、Embedding、Context 构建和生成等关键环节，识别核心效果瓶颈，制定技术路线并持续提升端到端效果。
- 建设高质量检索与证据供给能力。面向 LLM / Agent 场景，提升信息和证据的召回充分性、相关性、可信度、时效性和可引用性，推动从传统文档检索向高质量证据供给演进。
- 推动 LLM 与新一代信息获取技术落地。结合 LLM、Context Engineering、Agentic Retrieval、DeepSearch、GraphRAG、多模态检索等技术，解决复杂信息获取和推理场景中的实际问题。
- 建设效果评测与持续优化闭环。建立覆盖检索、证据、Context 和最终结果的评测与诊断体系，通过离线评测、在线实验和 Badcase 分析持续定位问题、优化效果。
- 承担技术负责人 / TL 职责。负责方向技术规划、关键技术决策、复杂项目牵引和团队建设，协调业务及上下游团队推动核心项目落地，并培养能够独立承担关键方向的技术骨干。
职位要求
- 扎实的算法基础和实际业务经验。具备机器学习、深度学习、NLP、搜索推荐或大模型相关算法经验，有真实生产场景中的算法与效果优化经验。
- 深入的搜索 / RAG 技术能力。熟悉文本与向量检索、Embedding、召回、排序、Reranker 等技术，理解 RAG 从数据、检索、证据、Context 到生成的完整链路，能够系统分析和优化端到端效果。
- 较强的 LLM 实战能力。理解主流大模型的基本原理、能力边界和应用方式，具备 RAG、Context Engineering、Agent 等方向的实际落地经验，而不仅限于模型 API 调用。
- 较强的效果分析和问题解决能力。能够定义合理的评测指标，通过数据分析、实验和 Badcase 定位核心问题，并区分检索、证据、Context 和模型等不同环节的问题。
- 成熟的技术负责人能力。有承担重要技术方向或带领团队的经验，能够进行技术规划、关键决策、项目推进和人才培养，并对最终结果负责。 加分项
- 有大型搜索、推荐、RAG 或 LLM 系统的算法负责人 / 技术负责人经验；
- 有 Agentic Retrieval、DeepSearch、GraphRAG、多模态检索等实际生产经验；
- 有 Embedding、Reranker 或 LLM 训练 / 微调经验；
- 有大规模搜索、检索或 AI 基础设施建设经验。
