大模型部署与优化 负责金融领域大语言模型（LLM）的本地化部署、分布式训练及推理性能优化，确保模型在股票分析场景中的高效稳定运行。 设计模型压缩（如量化、剪枝）和加速方案，适配高并发、低延迟的实时金融数据处理需求。 领域模型微调与定制化开发 基于公司股票分析业务需求（如财报解读、市场情绪分析、行业趋势预测），对通用大模型进行领域适配微调（Fine-tuning/Prompt-tuning）。 构建金融领域专属的预训练语料库，开发适配股票市场的多模态模型（文本、时序数据、图表）。 金融知识库构建与管理 搭建面向股票分析的垂直领域知识图谱，整合上市公司财报、行业研报、新闻舆情、宏观经济数据等结构化/非结构化数据。 开发知识检索增强（RAG）系统，提升大模型在投资决策支持中的事实准确性与时效性。 AI智能体系统开发 设计并实现股票分析AI智能体（Agent），支持多任务协作（如数据抓取→信息抽取→逻辑推理→报告生成）。 开发基于强化学习（RL）的智能体决策框架，模拟投资策略的动态调整与回测验证。 技术赋能与协作 与量化研究团队合作，将AI能力嵌入因子挖掘、风险预测等核心模块。 为产品团队提供技术方案，推动AI功能在终端产品（如智能投研平台、自动化交易系统）的落地。

硬性条件 计算机科学、人工智能、金融工程或相关领域硕士及以上学历，3年以上AI模型开发经验。 精通PyTorch/TensorFlow框架，熟悉LangChain、LlamaIndex等大模型开发生态工具。 具备大模型分布式训练（如DeepSpeed、Megatron-LM）及推理优化（vLLM、Triton）实战经验。 熟悉金融文本处理技术（NER、事件抽取、情感分析），有知识图谱/向量数据库（Neo4j、Milvus）开发经验。 熟悉智能体开发框架（AutoGen、MetaGPT），掌握强化学习/多智能体协作系统设计。 优先条件 有量化金融、股票分析系统开发背景，熟悉Wind/同花顺等金融数据API者优先。 在顶级会议（ACL、NeurIPS、KDD等）发表过LLM/金融AI相关论文，或主导过开源项目者优先。 软性素质 对金融市场有基础认知，能快速理解行业术语与业务逻辑。 具备技术攻关能力与跨团队协作意识，适应金融科技领域的快节奏迭代。