锦鲤求职岗位描述
一、关于我们
我们是全球 CRO 龙头企业旗下的AI 研究院,一支把大模型带进真实生命科学场景的实战团队。我们做三件事:让 AI 走进真实患者的随访对话、病历、诊断与风险预测,走进药物警戒与临床试验的运营现场;为集团的药物研发、制药与黑灯实验室等实验室业务提供抽象、可复用的基础模型能力;向整个 community 输出可复用的方法、工具与证据——以经得起验证的工作,参与定义 AI 在生命科学中的可能性。研究院的核心命题:让大模型在真实生命科学场景中达到可交付、可审计的可靠性。
二、为什么加入我们
• 真实战场。患者管理、医疗诊断预测、临床 CRO 全流程——你的工作上线后,用它的是真实的医生、患者和项目团队,反馈以天计,而不是停在 demo 和 benchmark。
• 专家护航。顶尖临床、药物警戒与统计专家是你的“外脑”:他们负责讲清业务逻辑,你专注把它变成模型与 agent,不必担心听不懂医学术语。
• 没有转译层。研究院不设产品经理与项目经理,这些职能由研究员以 FDE 模式承担——你直接 own 需求、方案、交付与迭代,不用隔着 PRD 猜业务。
• 工具与算力自由。鼓励并支持使用最先进的 AI 编程与研究工具(Cursor、Claude Code 等),训练与推理算力持续投入。
• 面试不考八股。不背 API、不手写红黑树,只聊你真正做过的项目、思路与归因——我们在意的是你怎么用 AI 解决真问题。
• 完整成长曲线。从 Associate Scientist(助理研究员)到 Senior Principal Scientist(首席主任研究员)的科学职级序列,与集团 M 序列对应打通,学术成果转化为业务结果同样计入贡献,不逼你二选一。
三、岗位职责
方向定位
为医疗应用构建模型运行的共性工程框架——agent 编排、工具调用、上下文工程、评测基建——把模型能力转化为可靠的端到端交付。与 FDE 方向的分工:Harness 对共性框架与评测基建负责,以主应用为验证场;FDE 基于框架对各应用的端到端交付负责。
核心工作
• Agent 框架设计与优化:任务规划—执行—反思循环、function calling 与工具协议(如 MCP)、多 agent 编排、失败恢复与幂等性设计;
• 上下文工程与知识接入:面向医学文献与业务知识的检索系统(混合检索、rerank 的 RAG 全链路)、结构化医学知识(术语库/知识图谱)接入、长上下文与记忆管理、prompt 体系的版本化管理;
• 端到端评测 harness:全链路 trace 采集、分环节失败率归因、自动化回归评测、LLM-as-judge 与人工评审的校准;
• 可靠性与工程化:结构化输出约束(JSON Schema / constrained decoding)、guardrails、延迟与成本优化、供 FDE 复用的框架组件沉淀;
• 与后训练方向协同,判定问题应由工程解决还是训练解决,并对边界负责。
绑定与协作模式
• 绑定一个主应用,对该应用的端到端可靠性负责;
• 横向覆盖其他应用的harness需求,优先级与排期由技术线负责人统筹,不由应用方直接指派。
四、任职条件
• 专业背景。计算机、软件工程、人工智能等相关专业。
• 扎实的工程能力:Python 为主,熟悉异步编程、服务化(FastAPI 等)与可观测性建设;
• 实际构建过生产级 LLM 应用或 agent 系统,熟悉主流推理服务(vLLM/SGLang)与模型 API 生态;
• 熟悉 RAG 全链路:embedding、向量检索、混合检索、rerank 及其评测方法;
• 具备系统化评测意识:能把“效果不好”拆解为可量化的分环节失败率并驱动迭代。
• 论文优先。agent/RAG/评测相关论文(ACL/EMNLP/NeurIPS 等)一作者优先;论文可由同等分量的高质量开源项目替代。
• 相关经验优先。生产级 LLM 应用或 agent 系统建设、RAG 全链路、评测体系建设、后端服务化与可观测性;MCP/工具协议实践、医学知识库或术语体系经验加分。