杭州生物信息分析工程师
生物信息分析工程师是负责利用计算机和生物学知识进行生物数据分析和解释的专业人才。他们通常会处理大规模的生物学数据，如基因组学、转录组学、蛋白质组学和代谢组学数据，以揭示生物学现象的内在规律。生物信息分析工程师需要具备深厚的生物学知识，熟练掌握生物数据库、生物信息学软件和编程技能，能够进行数据挖掘、模式识别、统计分析和数据可视化。他们在生物医学研究、药物设计、疾病诊断等领域发挥重要作用，为科学研究和医疗健康提供技术支持。此外，生物信息分析工程师还需要不断跟进最新的生物学和计算机技术发展，以提高数据分析和处理的能力。该职位要求具备扎实的生物学基础知识和较高的计算机技能，能够将生物学和工程学知识相结合，从而为生物信息领域做出贡献。
薪酬概览
平均月薪
¥13000
中位数 ¥12500 ｜ 区间 ¥10800 - ¥15300
数据来源：谈职全网12份招聘数据；更新时间：2026年7月13日
月薪分布
75% 人群薪酬落在 8-15k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
4月新增岗位
67
对比上月：岗位新增52
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 应届 | 16 | 25% |
| 1-3年 | 16 | 25% |
| 3-5年 | 16 | 25% |
| 5-10年 | 8 | 12.5% |
| 不限经验 | 8 | 12.5% |
热招职位
1. 负责 EDR 等终端安全产品在 Windows 和 macOS 平台的有效性对抗和验证，评估并发现防御体系盲区。
2. 参与授权下的内部红紫对抗攻防演练，基于自研 AI Agent 开展社会工程学防御验证、边界突破、终端落地及持久化等，推动检测和防御能力改进。
3. 基于大模型智能体框架建设自动化攻防能力，实现攻击面分析、任务规划、工具调用、终端对抗和攻击链编排。
4. 对常见智能体进行安全攻防对抗，包括但不限于智能体驱动的新型社会工程学攻击手法、智能体终端持久化及防御检测绕过等。
1.负责跟踪业界前沿的安全攻防技术能够评估大模型、智能体安全风险；建设关键基础设施安全防护方案设计与落地。
2.主导SDL安全开发流程优化，建立AI场景下的威胁建模与风险评估体系。
3.负责淘宝闪购数据安全技术前瞻性研究，沉淀数据安全技术和孵化数据安全智能体能力。
4.主导或参与智能体安全工具链的开发与集成，提升智能体安全风险检测、防御与响应能力；
1、每日巡检责任区域内楼栋，关注现场品质环境；
2、负责接待顾客来访，受理责任区域内客户意见、建议及时落实整改与回复；
3、处理客户投诉，记录并跟进处理结果，维护业主关系；
4、负责区域住户物业管理费的催缴；
5、定期按计划执行客户访谈及满意度调查；
6、跟进区域内客户装修进展，及时向物业服务中心反映需要解决的问题；
7、协助开展社区文化活动。
1、工艺开发与DFM分析：跟进产品早期开发，提出DFM需求并闭环；制定输出SOR技术协议和核心PFMEA；
2、供应商管理与评审：评审供应商方案并组织评分；管理供应商开发过程，确保按节点完成线体设备采购、组装、调试和发运；
3、图纸审核与验收组织：审核供应商3D/2D电气图纸并组织会签；协调供应商端预验收，组织各相关部门参与；
4、线体调试与生产组织：跟进线体setup和调试物料准备；协助组织现场小批量生产，协调生产资源进行样件输出；
5、工艺文件与验收交付：协调输出线体PFMEA、CP、SOP等工艺文件；完成线体终验收，确保问题整改闭环并最终交付生产。
1、根据生产计划，招聘/培养/组织产线人员，完成产能爬坡及生产计划的达成。
2、做好车间的质量管理，带领全员质量管理，改善生产流程/效率管理，提高精益水平，降低制造成本。
3、培训员工通用技能/岗位技能，做好团队的能力建设和梯队建设，提高团队凝聚力同时，保证团队安全和纪律，带领团队达成目标。
4、做好车间基本的5S/可视化/拉动生产等基本管理，保证记录一致，降低客户审核中对于生产执行类问题。
5、完成领导交办的其他工作任务。
1. 负责激光雷达电子相关的失效分析工作，包括问题定位、根因分析、风险评估和改进方案制定。
2. 建立并优化硬件失效分析流程和方法，提高分析效率和准确性。
3. 协同研发、生产和客户质量团队，解决产品在研发、制造和售后阶段遇到的硬件相关问题。
4. 进行失效模式与影响分析（FMEA），并基于分析结果提出产品设计和制程改进建议。
5. 编写详细的失效分析报告，并向管理层和客户（整车厂）清晰传达分析结果和改进措施。
1. 根据业务领域特点开展项目质量策划；
2. 项目过程质量控制，质量监控，质量改进，引导项目流程过点；
3. 质量管理体系建设、优化和维护；
4. 持续研究质量工程方法，在项目推荐合适的质量工具解决业务问题；
5. 制定质量氛围建设方案并实施落地；
1. 防御机制测试： 对公司内大模型的安全围栏进行黑盒测试，通过实验分析其在内容过滤、逻辑保护方面的实现路径和问题，并输出分析报告。
2. 安全围栏建设： 参与公司模型的内容审计系统开发，编写并维护核心的防御 Prompt 和过滤规则库。
3. 风险路径探测： 对公司模型系统（含插件、沙箱）进行常规的安全评估，识别提示词泄露和接口滥用的潜在风险，并提出加固建议。
4. 反蒸馏技术落地： 协助落地基础的防爬取、模型输出干扰等风控方案，保护公司模型资产。
5. 跨团队协作： 与算法团队配合，将发现的安全漏洞转化为模型微调或对齐的训练样本。
我们正在打造一支 AI Native SDL团队，重新定义 AI 时代的软件安全开发生命周期。AI 不仅是我们保护的对象，更是我们工作的核心方式。我们相信安全流程正在从依赖规则、人工经验，演进为由 AI 驱动的智能工程。
* 设计并建设 AI Native SDL 体系，保障 AI 应用、Agent、MCP 等新型业务形态从设计、开发到运行阶段的安全。
* 负责 AI 应用安全架构设计，建立覆盖研发全生命周期的安全能力。
* 构建 Agent 身份认证、权限控制、工具调用、数据访问及运行时安全防护体系。
* 构建覆盖 Prompt Injection、Tool Abuse、模型滥用、越权访问、数据泄露等 AI 风险的纵深防御能力。
* 推动 AI 安全能力平台化、产品化，为研发提供统一、安全、易用的基础能力。
1. 设计大模型推理（reasoning trace / CoT blob）的加密与隐私保护方案，覆盖密钥管理（per-user / per-session 密钥体系）、加密协议选型、防重放机制设计。
2. 防御机制拆解： 跟踪国内外主流模型的安全策略，通过实验分析其在内容过滤、逻辑保护方面的实现路径。
3. 安全围栏建设： 构建覆盖 Prompt Injection、Tool Abuse、模型滥用、越权访问、数据泄露等AI 风险的纵深防御能力
4. 反蒸馏技术落地： 协助落地基础的防爬取、模型输出干扰等风控方案，保护公司模型资产。
5. 跨团队协作： 与算法团队配合，将发现的安全漏洞转化为模型微调或强化学习的训练样本，并实验验证效果。
6. 系统化：建设企业级安全风险感知体系，持续发现业务及 AI 系统安全风险。推动AI安全能力平台化、产品化，为AI开发提供统一、安全、易用的基础能力。
1、负责产品量产阶段的制造质量管理工作，建立并持续优化生产过程质量控制体系，运用过程方法识别、监控及改善关键质量风险，推动相关部门落实标准化作业及质量要求。
2、运用SPC、MSA、FMEA、APQP、PPAP等质量工具开展质量管理活动，对生产过程能力、关键质量指标及异常问题进行分析与改善，确保产品和过程满足质量要求。
3、主导生产过程中的质量异常分析与闭环改善，推动跨部门团队开展根因分析（8D、5Why、鱼骨图等），跟踪纠正预防措施的实施效果，持续提升产品质量及制造过程稳定性。
4、监督品质检验标准、控制计划（Control Plan）及作业指导书的执行情况，推动质量意识提升及质量文化建设，确保出货产品满足客户要求及公司质量目标。
5、参与新产品开发、试制及NPI导入过程，制定产品质量计划、检验规范及质量控制方案，推动产品顺利导入量产并实现质量目标达成。
6、收集并分析生产过程质量数据，建立质量看板及关键质量指标监控机制，推动良率提升、制程优化及质量成本持续改善。
7、配合研发、工艺、生产、供应链及客户质量团队开展质量改进项目，支持客户投诉分析、产品可靠性提升及质量体系持续优化。