智能平台技术研究岗

工作内容
1、平台架构与开发：参与人工智能开发与应用平台的总体架构设计与核心模块开发，涵盖算力接入与虚拟化、模型/镜像接入与管理、训练微调、模型优化、国产化适配、推理加速、应用构建、部署运维、监控运营等平台能力建设。
2、大模型工具链研发：负责工业大模型工具链的构建与开发，包括数据治理、指令微调、检索增强（RAG）、评测基准、Prompt工程等工具与流水线建设，支撑研发、生产、运维关键环节的大模型应用开发。
3、大小模型协同：研究大模型与工业机理模型、专业小模型的协同机制，开展模型路由、能力编排、协同推理等技术研发，实现大模型通用能力与工业专用模型的优势互补。
4、智能体协同与场景落地：负责多智能体协同框架的研发与应用，面向轨道交通数字化研发与智能运维等重点场景，完成平台能力与业务系统的对接集成、应用验证与持续迭代，保障人工智能应用的实际落地效果。
5、文档编写与支撑：编写详尽的技术文档，包括算法设计说明、使用手册、故障排查指南等，为其他工程师、运维人员及客户提供技术支持和培训。
6、技术研究与创新：跟踪行业最新动态，研究前沿的人工智能平台技术与框架，不断探索和尝试新技术在工业领域的应用，推动人工智能技术在工业领域的持续集成与发展。

任职条件
1、具有轨道交通装备、机械、电气、自动化等工业领域专业背景者优先，熟悉装备研发、生产或运维业务流程，能够理解工业场景需求并推动人工智能技术落地。
2、熟悉大语言模型（LLM）基本原理，了解Qwen、DeepSeek、LLaMA等主流开源大模型的训练、微调与部署技术。
3、熟悉大模型工具链与工程体系，熟悉vLLM、LangChain、LlamaIndex、Dify等框架与平台，有RAG、Agent、模型微调等实际项目经验者优先。
4、具备扎实的软件工程专业功底与系统化开发能力，熟练掌握Python、Java等至少一种编程语言，熟悉代码规范、模块化开发、接口设计、版本管理与工程化迭代流程；熟悉PyTorch等深度学习框架，掌握Docker、Kubernetes容器化部署技术，具备GPU集群运维、算力虚拟化适配、MLOps平台搭建、模型国产化适配、推理加速工程实践经验者优先。
5、了解大小模型协同、多智能体协同等前沿技术方向，有工业大模型平台建设、数字化研发或智能运维系统落地项目经验者优先；相关高水平论文、竞赛获奖者优先。
6、具备良好的沟通协调能力、团队协作精神和文档撰写能力，能够深入业务现场，适应快节奏的科研开发与工程交付工作。