岗位职责
】
- 世界知识挖掘：研发面向开放域的实体、关系、事件、属性、常识等多类型知识抽取算法，从万亿级网页、文档、多模态内容中持续提炼高质量世界知识。
- 知识表征与融合：攻克实体对齐、共指消解、知识冲突检测、来源可信度与时效性评估等关键问题，探索符号知识图谱与稠密向量表征的融合范式，构建覆盖全领域、跨语言、跨模态的统一世界知识体系。
- 知识与大模型协同进化：探索世界知识与千问大模型的双向赋能——以知识增强大模型的事实性、时效性与多跳推理能力（RAG / GraphRAG / Agent / 工具调用 / 知识编辑），同时利用大模型反哺知识抽取、补全与纠错，形成"知识自进化"闭环。
- 打造世界知识库：构建从抽取、融合、推理、更新到服务的全链路知识生产管线，建设覆盖通用百科、垂直领域、长尾实体与新鲜事件的世界级知识库，直接驱动千问对话、智能体、多模态理解、行业应用等核心场景的能力升级。
职位要求
- 具备扎实的编程基础，熟悉常用的数据结构和算法，具备良好的代码风格和编程习惯。
- 熟悉知识抽取、知识表征、知识融合、图谱推理等核心技术，有大规模知识库或知识图谱构建/应用经验者优先考虑。
- 理解大模型技术原理，对世界知识与大模型的结合（RAG、GraphRAG、Agent、知识增强训练、知识编辑等）有自己的思考与实践者优先考虑。
- 有良好的沟通表达能力和团队合作精神，热衷技术，乐于寻求挑战和突破自我。 【加分项】
- 在 ACL / EMNLP / NAACL / KDD / WWW / SIGIR / AAAI 等顶会发表过信息抽取、知识图谱、检索增强生成、知识增强大模型相关论文者优先；
- 有大规模图存储/图计算系统（如 Nebula、JanusGraph 等）或大规模向量检索系统研发经验者优先；
- 有 GraphRAG、HippoRAG 等知识增强检索技术的研究或落地经验，熟悉子图召回、多跳图检索、社区检测与层级摘要、图谱与向量混合检索等方向者优先；
- 有大模型对话、智能体、问答系统等场景下的知识应用落地经验者优先；
- 有多语言、多模态、时序事件等复杂知识场景的处理经验者优先。
