1．大模型应用开发：负责根据公司业务场景及需求，利用 LLM 技术构建智能化应用，基于 RAG（检索增强生成） 和 Agent（智能体） 等技术，搭建复杂业务工作流，实现与医学、药物学研究相关的临床试验方案设计、受试者招募等有关业务需求的智能化实现等核心功能。 2．模型微调与优化：基于开源的大模型与微调框架（如 Qwen、LLaMAIndex 等），结合公司积累的海量医疗数据进行 SFT（监督微调），打造懂临床、懂法规的垂直领域专属模型；优化模型推理上下文策略，提升模型在复杂医学逻辑判断中的效率与准确率。 3．数据挖掘与处理：从事大规模预训练模型的数据工程，构建医学垂类领域的知识库，实现电子病历、个人健康档案等医学数据采集、清洗、标注、增强与标准化流程；挖掘医学影像等多模态医疗数据关联特征，设计融合模型提升泛化能力。 4．模型封装与验证：基于 SGLang/vllm 等技术框架，封装大模型应用为标准化、高并发的 API 接口，配合后端团队完成微服务架构的搭建，实现算法在纯内网环境、云环境等的集成与验证，确保应用服务能力在不同业务场景生产环境中的稳定调用。 5．技术协同与优化：与后端开发工程师紧密协作，持续跟踪前沿算法技术，针对业务中的长尾问题（如LLM推理准确性、生僻医学术语解析）进行深度优化，提升系统的整体智能化水平。

1．本科及以上学历，计算机、人工智能、软件工程等相关专业； 2．3年及以上大模型应用或算法开发经验，精通各类主流开源大模型技术栈，有实际的 RAG 系统搭建、Agent 编排或大模型落地项目经验；有医疗类数据应用更佳； 3．熟悉 Python，熟练掌握 PyTorch / TensorFlow 至少一种深度学习框架，且具备良好的工程代码规范； 4．了解 FastAPI / Flask 等 Web 框架，能够独立编写模型推理接口，并了解 RESTful API 设计原则，具备与前后端系统联调的经验； 5．在 NLP 领域有扎实基础，熟悉 Transformer、BERT 等架构，有实体识别（NER）、关系抽取或文本分类等方面的实践经验；或在 OCR 领域有理论基础及实践经验； 6．了解常用数据库（如PostgreSQL、Redis、ElasticSearch等），具备一定的 SQL 数据提取与分析能力； 7．具有良好的工程思维和业务敏感度，能够快速理解临床业务痛点，利用大模型技术提供低成本、高效率的解决方案； 8．具有良好的沟通能力、团队协作能力，能够应对复杂环境，具备强烈的业务落地导向意识。