深圳搜索算法
搜索算法是一种用于在大量数据中查找特定信息的计算方法。它通过遍历数据集合并比较每个元素与目标值的关系，以确定是否存在匹配项。搜索算法具有广泛的应用领域，其中之一是用于职位搜索。职位搜索算法主要是为了帮助求职者在大量的职位信息中快速定位符合自身条件的职位。该算法通常通过关键词匹配来筛选出符合条件的职位。求职者可以输入关键词，如职位名称、关键技能、所在地等，搜索算法会在数据库中查找与关键词相关的职位信息，并按照设定的排序规则为求职者提供结果。
薪酬概览
平均月薪
¥39000
中位数 ¥0 ｜ 区间 ¥31000 - ¥46900
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
50% 人群薪酬落在 >30k
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
10月新增岗位
4
对比上月：岗位新增3
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 |
|---|---|---|
| 3-5年 | 4 | 100% |
热招职位
1、打造终端智能感知能力，突破关键多传感器融合特性，实现连续、低功耗等要求；
2、负责智能终端的算法架构设计能力，包括：机器学习/深度学习算法、多平台异构优化与端到端全链路理解能力；
3、保障模块设计开发的高效落地。
我们是中国客户体量最大的金融机构，当前发展阶段需要利用AI深度识别客户的风险，并且利用AI对抗黑产（如洗钱，电诈等），用AI对抗AI模式将在今后融入整个金融生态。
1.模型评估与选型：构建多维度的算法评估体系，针对业务场景对开源/闭源模型进行能力对标，负责模型微调方案（LoRA、SFT/DPO）的效果评估。
2.高级RAG技术研发：负责RAG（检索增强生成）全链路优化，包括复杂文档解析（OCR协同）、多模态数据切片（Chunking）、多路召回与重排序（Rerank）算法。
3. 特征工程与数据处理：针对业务数据进行深层特征化处理，提升向量检索的语义精准度，设计高效的数据预处理管线。
4.提示词架构优化：负责复杂场景下的Prompt Engineering，设计具备自愈能力（Self-Correction）和推理链（CoT）的高质量提示词模版。
5.算法前沿跟踪：实时跟踪大模型、长文本处理、结构化抽取等领域的发展动态，并完成业务侧的技术验证。
1.负责门店订货相关的数据挖掘和算法应用，包括销售额预估、SKU销量预测、物料订货推荐、物料盘点异常检测等。
2.负责供应链相关的数据挖掘和算法应用，包括物料出仓需求预测、库存预测、物料补货推荐、物料调拨推荐等的算法方案建设。
3.负责活动相关的数据处理、分层、影响预估、影响平滑等频繁活动相关业务场景的挖掘探索。
1、主导规划项目立项，准备项目背景和技术资料，立项报告及其它必要的立项资料。
2、主导分解项目开发计划，项目开发计划表。
3、统筹制定新员工专业技术培训计划，培训计划表。
1、负责语音识别、语音理解、以及端到端语音大模型的算法研究，模型训练优化及业务落地
2、基于智能语音交互项目上遇到的生产问题及业务痛点进行深入分析，提出优化解决方案
3、同工程团队一起紧密配合，推动模型的上线及线上效果的追踪
4、跟进语音大模型的最新技术进展，评估哪些技术方案可应用于平安业务场景，并具有落地可行性，进行技术引进。
设计、实现和优化医疗险核保及风控算法和模型，包括风险评估、精准定价、欺诈识别等。负责医疗、保险、行为大数据的收集、清洗、标注和分析，构建高质量的数据集以支持风控模型开发。
1. 需求洞察与方案设计：深入客户业务一线，挖掘痛点，转化为技术方案。
2. 技术交付与集成：主导端到端交付，包括原型开发、系统集成、部署调试。
3. 项目管理与客户成功：独立管理项目全周期，推动落地并实现业务价值。
4. 反馈闭环与产品迭代：作为连接市场与研发的"神经末梢"，带回一线反馈。
参与平安集团智能理赔系统的研发，利用大语言模型（LLM）、多模态理解与知识图谱技术，构建“从客户材料到赔付决策”的全自动审核引擎。 主要职责： - 参与 AI 理赔审核系统的研发，协助构建多模态文档（医疗影像、保单 PDF）的信息提取，实现对客户提交材料的理解与判别； - 设计并实现保单条款与理赔规则的结构化表示，支持大模型精准调用与推理； - 追踪大模型领域前沿技术，优化大模型提示工程（Prompt Engineering）、微调（Fine-tuning）与RAG（检索增强生成）方案，提升模型在复杂理赔场景下的判断准确率； - 负责理赔案件数据的清洗、标注体系设计及高质量数据集的构建； - 参与系统开发，将AI模型能力集成到理赔流程中，支持高并发、低延迟的生产环境部署； - 编写技术文档、参与代码评审，持续优化系统稳定性与可维护性。
1.营销 Agent 架构设计与实现 基于 LLM 构建具备自主规划（Planning）能力的 Agent 系统。针对营销策略拆解、创意生成、广告投放优化等环节，设计并实现 ReAct、CoT (Chain of Thought)、ToT (Tree of Thoughts) 等推理架构。
2.多模态工具链集成 (Tool/Action Use) 研发高效的 Function Calling 与 API 编排机制，使 Agent 能够精准驱动视觉生成引擎、投放平台 API 及企业内部数据库，实现从内容生产到自动化分发的无缝衔接。
3.记忆与知识管理系统 (Memory & RAG) 构建面向营销场景的长期记忆机制与高性能 RAG (Retrieval-Augmented Generation) 系统。整合行业知识库、历史成交案例、品牌调性约束，确保 Agent 在长周期线索跟进中的上下文一致性与专业度。
4.业务闭环驱动的强化学习与对齐 利用业务端产生的真实转化数据（线索质量、成交率），优化 Agent 的决策逻辑，使 Agent 的推荐策略与生成内容向高转化率目标演进。
1.多模态算法研发：负责保险核保核赔场景下多模态大模型/Agent（如医疗影像、体检报告、病历文本等）的算法研发，实现跨模态信息的精准对齐、融合与推理，提升核保核赔决策的准确率与可解释性。
2. 智能体（Agent）构建：设计并开发面向核保流程的AI智能体，构建包含任务规划、工具调用、多轮对话等核心能力的Multi-Agent协作模式，推动核保流程的自动化与智能化。
3.知识库与RAG优化：构建并优化保险条款、医学指南等领域知识库，结合检索增强生成（RAG）技术，解决大模型在复杂核保规则下的幻觉问题，提升专业场景下的推理准确性。
4.模型微调与部署：负责多模态基座模型的SFT（监督微调）与RLHF（人类反馈强化学习），并主导模型在核保生产环境中的工程化落地，包括推理加速、显存优化及高并发服务部署。
5.数据闭环建设：设计并搭建自动化数据处理流水线，负责核保相关多模态数据的清洗、结构化标注与质量评估，构建高质量领域数据集以支持模型持续迭代。
6.前沿技术探索：跟踪大模型与多模态领域的最新学术进展（如MoE、Long Context），探索其在保险反欺诈、精准定价及动态风险评估中的应用
1、负责手机端与云端 AIGC 影像算法研发，包括人像生成、图像修复、人像编辑、视频生成、文生图 / 图生图等核心能力的算法设计、实现与优化（任一方向）。
2、负责扩散模型、MMDiT、流模型（Flow Matching / Rectified Flow）、单步生成模型等前沿生成式模型的研发、微调、蒸馏与推理加速。
3、负责 AIGC 基础模型的后训练体系建设，包括 SFT、DPO、GRPO 等强化学习方案设计与落地，构建大规模指令微调数据与奖励模型。
4、针对弱光、逆光、中低端机型、海外用户习惯等复杂场景，设计稳健高效的人像处理、图像编辑与视频生成方案。
5、参与构建手机影像 AIGC 完整技术体系，包括数据 pipeline、模型评价体系、端云协同架构、训练与部署流程建设与优化。
6、跟踪业界前沿技术，推动图像 / 视频生成、编辑、增强等创新能力在手机影像产品中稳定、高效、差异化落地。
