The posting
1. 主导企业级知识底座建设： 负责 ToB 业务场景下核心知识库与 RAG（检索增强生成）系统的数据体系搭建，建立高效、高准确度的企业私有文档知识加工流水线； 2. 优化 Agent 落地效果： 针对 Tool Learning（工具调用）、Task Planning（任务规划）、Reflection（自我反思）等复杂智能体场景，设计并构建全链路的指令交互与多轮对话数据支撑，提升模型在 B 端业务中的实际交付表现； 3. 沉淀行业专家知识： 负责将结构化（数据库、API）与非结构化（文档、知识库）的企业核心资产转化为大模型可理解的高质量对齐数据，推进长文本检索、多源检索及拒答机制的落地； 4. 全链路数据精细化治理： 设计并实现自动化数据清洗、Chunk 切片优化、指令微调（SFT）样本及偏好（DPO/GRPO）数据的治理方案，通过实验指标驱动知识底座的迭代升级； 5. 支持 ToB 项目交付： 深入理解 B 端客户的实际业务痛点（如准确率要求高、容错率低等），与产品和交付团队紧密配合，确保模型与底座能力高效、高质地落地到客户生产环境中； 6. 技术前沿跟踪： 跟踪大模型知识工程、Agent 架构及自动化数据生产领域的最新进展，并结合 B 端实际场景进行落地和技术沉淀。
1. 人工智能、计算机、信息管理、软件工程等相关专业本科及以上学历，具备扎实的工程或技术研发素养； 2. 熟悉自然语言处理和大模型训练机制（如 SFT、DPO/GRPO 范式），深刻理解数据质量与分布对大模型在 B 端落地效果的关键影响； 3. 深入理解 RAG 与 Agent 核心原理，熟悉多轮对话、思维链（CoT）、工具调用及长文本检索的痛点，能针对性地制定评测集构建和数据对齐方案； 4. 具备扎实的工程与工具栈能力， 熟练使用 Python，深入理解 LangChain、LlamaIndex 等大模型应用开发生态，能够高效构建可扩展的数据加工与管理 Pipeline； 5. 具备良好的数据工程经验， 掌握常规的数据清洗、模板控制或自动化数据构建方法（如 Self-Instruct），能利用实验指标驱动数据策略优化； 6. 具备 ToB 业务理解力，具备良好的沟通与协同能力，能快速理解复杂的 B 端业务场景，并将业务逻辑转化为大模型数据与系统设计要求。 加分项 1. 有实际的 ToB 大模型项目落地或私有化部署经验，理解企业知识库与 Agent 在生产环境中的实际痛点； 2. 熟练掌握高级 Prompt Engineering 范式（如少样本、自我修正、多 Agent 协同模拟），能通过复杂 Prompt 引导模型生成高质量行业样本； 3. 有构建 Agent 工具调用轨迹数据、多 Agent 对抗/协作对话或复杂任务拆解数据的实战经验； 4. 有 RAG 链路优化经验，例如主导过高质量 Chunk-QA 对构建、负样本/干扰项设计或冲突信息对齐等工作； 5. 熟悉数据安全、脱敏、偏见识别、价值观对齐等 B 端合规处理流程。
