锦鲤求职岗位描述
岗位职责
面向小分子、大分子和细胞药物等多种创新药研发场景，负责AI Scientist平台的规划、设计与落地，将“靶点发现—药物设计—药效评价—实验验证—反馈优化”等复杂研发任务转化为可执行、可编排、可验证的产品能力和智能体工作流。
本岗位需要协同药物科学家、生物信息、算法、数据、知识图谱、工程及实验团队，建设既具备统一平台能力、又能适配不同药物模态研发逻辑的端到端科学智能体平台。其中，CAR-T/CGT是重要的真实管线验证场景之一，但产品范围同时覆盖小分子生成与筛选、抗体/蛋白及结合域设计、药物综合评价和多模态靶点发现等任务。
1. 产品规划与需求管理
深入理解创新药研发的共性链路与不同药物模态的差异，覆盖靶点发现、候选生成、结构与序列设计、虚拟筛选、多目标优化、药效/成药性评价、实验验证及临床前转化等环节。
面向小分子、大分子和细胞药物分别开展场景调研，识别各模态的数据、专业工具、设计约束、评价指标、实验方法和决策流程，形成系统化需求地图。
对接客户研发团队、药物科学家和实验专家，将真实研发问题、专家判断逻辑及实验验证流程转化为产品需求、用户故事、业务规则和验收标准。
规划多药物模态AI Scientist平台路线图，明确通用平台能力与小分子、大分子、细胞药物专属能力的边界、依赖关系和建设优先级。
建立“通用能力层＋模态能力层＋场景应用层”的产品规划：通用层负责数据、知识、工具、智能体编排和评测，模态层承载不同药物类型的设计与评价逻辑，场景层支持具体疾病、靶点和客户管线。
负责需求池和产品版本管理，平衡商业项目交付、科技项目考核、通用平台建设及底层能力复用需求。
2. 智能体与研发工作流设计
设计靶点发现、药物设计、药效评价、实验分析和反馈优化等核心智能体，以及支撑不同药物模态的专业子智能体和技能。
面向小分子设计分子生成、虚拟筛选、结合模式预测、理化性质及ADMET优化流程；面向大分子设计抗体、蛋白、纳米抗体和结合域的序列/结构生成、复合物预测及多目标优化流程；面向细胞药物设计结合域优选、受体构件组装、功能域筛选、多特异/逻辑门控及制造工艺协同优化流程。
将“适应症与数据输入—靶点发现—候选生成—专业工具计算—多维评价—候选排序—实验设计—结果分析—反馈优化”拆解为清晰、可执行的端到端工作流。
定义智能体的输入输出、关键字段、任务状态、异常处理、人工审核节点、结果解释和跨智能体协作机制。
与算法团队共同设计智能体提示词、任务规划逻辑、评分框架和评测方案，推动模型能力转化为稳定、可使用的产品功能。
设计跨模态任务编排机制，使靶点、分子/序列/结构、构件、评价结果和实验反馈能够在不同智能体之间准确传递，并保留完整的证据链和决策记录。
避免形成彼此割裂的工具堆叠，确保不同药物模态的专业模型和工具能够按照统一协议被注册、发现、调用、监控和评测。
3. 数据、知识与工具产品化
协同数据及知识图谱团队，定义疾病、靶点、基因/蛋白、通路、小分子、抗体/蛋白、结合域、细胞药物构件、制造工艺、实验结果和临床数据等核心对象及其关联关系。
推动多组学数据、结构数据、分子与序列数据、文献专利、客户研发记录及实验数据的结构化、标准化、证据分级和可追溯管理。
规划专业模型与工具资产体系，包括多组学分析、结构与口袋识别、分子生成、虚拟筛选、蛋白/抗体设计、反折叠、复合物预测、亲和力、ADMET、免疫原性、脱靶、可制造性和细胞功能预测等能力。
负责专业工具接入的产品设计，明确工具所属药物模态、适用任务、输入对象、参数、输出解析、运行资源、适用边界、异常提示和评测基准。
建设统一的候选与证据产品体系，同时支持小分子结构、蛋白/抗体序列与三维结构、细胞药物构件方案等不同结果形态。
建立候选清单、排序结果、置信度、证据链、风险提示、失败模式、待验证问题、实验建议和综合评价报告等标准化产品输出。
与安全、合规和技术团队共同落实数据权限、脱敏、审计、数据使用范围及客户数据隔离要求。
4. 专家评审、药物评价与干湿实验闭环
组织药物化学、抗体/蛋白、细胞药物、生物信息、药理毒理及实验专家对智能体输出进行评审，设计跨专业的评分、意见记录、差异分析和规则回写流程。
针对不同药物模态建立差异化评价框架：小分子关注活性、选择性、理化性质、ADMET和毒性；大分子关注亲和力、特异性、稳定性、免疫原性和可制造性；细胞药物关注杀伤、非特异激活、细胞表型、扩增、持久性及安全性。
与实验团队共同定义SPR/BLI、生化、体外功能、细胞、动物等实验的关键readout、样品与条件信息及结果回传要求。
推动预测结果、专家判断和湿实验结果之间的结构化对比，识别偏差、失败原因和下一轮优化方向。
将实验和临床前反馈转化为产品迭代需求，推动不同模态的数据库证据权重、候选评分规则、算法策略及智能体工作流持续更新。
配合算法与实验团队通过主动学习、贝叶斯优化等方法选择高信息量候选，提高有限实验资源下的验证效率。
建立高风险结论的人工复核机制，确保系统定位为可信的研发决策支持工具，而非替代专家和实验验证。
5. 产品交付与效果评测
负责产品原型、PRD、流程图、数据字典、界面原型、报告模板、操作说明及验收材料等产品文档。
协同项目经理制定阶段计划，跟踪需求、研发、测试、专家评审、实验验证和客户验收全过程。
建立覆盖平台通用能力和不同药物模态效果的指标体系，包括任务成功率、工具调用稳定性、候选有效率、结果可追溯性、专家认可度、研发效率及用户使用情况。
建立按药物模态、任务类型和研发阶段划分的基准任务集与评测方案。
支持小分子、大分子及细胞药物真实研发管线回测、第三方测试、客户演示、用户培训和药企落地，推动产品达到商业项目交付及科技项目考核要求。
收集客户、专家和内部团队反馈，持续优化产品体验、研发流程和平台通用能力。
岗位要求
1. 基本要求
本科及以上学历；药学、药物化学、化学、生物学、生物信息学、医学、计算机、人工智能或相关专业背景。
具备3年以上复杂软件、企业级平台、AI产品或研发数字化产品经验；具有从需求分析到上线交付的完整产品经历。
具有跨业务场景或平台型产品经验，能够从多个具体研发场景中抽象通用能力，而非仅围绕单一管线或单一药物类型进行功能设计。
能够进行复杂业务建模和流程设计，熟练产出PRD、业务流程图、产品原型、数据字典、接口需求和验收标准。
具备良好的数据意识，能够理解结构化数据、知识图谱、API/工具调用、模型输入输出和基本算法评测逻辑。
具备较强的跨团队推动能力，能够与药物科学家、实验人员、算法工程师、数据工程师、软件工程师及客户团队高效协作。
具备优秀的结构化思考、书面表达和沟通能力，能够将复杂科研问题转化为清晰、可执行的产品方案。
能够阅读英文技术文档、论文及数据库说明，并持续跟踪AI for Science、科学智能体和智能药物研发进展。
2. 专业能力要求
理解创新药研发的基本流程，能够理解靶点发现、候选设计、药效/成药性评价、实验验证和临床前转化之间的关系。
对小分子、大分子和细胞药物中至少一个方向有较深入理解，并能够快速学习其他药物模态的数据类型、设计方法、评价指标和实验流程。
能够识别不同药物模态的共性需求与差异化约束，设计既统一又不过度抽象的产品架构、数据对象和智能体工作流。
理解大语言模型、RAG、智能体、知识图谱、多智能体编排及模型评测的基本原理、能力边界和常见风险。
能够围绕证据链、置信度、不确定性、适用条件、失败模式和人工审核设计可信的AI产品交互与业务规则。
具备结果导向意识，能够同时关注产品功能是否完成、智能体结果是否可靠，以及产品能否真正改善研发决策和实验效率。
优先条件
具有药企、CRO/CDMO、生物科技公司、科研院所或生命科学软件公司的产品经验。
具有小分子生成与虚拟筛选、抗体/蛋白设计、CAR-T/CGT、多组学、生物信息分析、ADMET或药物评价相关项目经验。
具有两个及以上药物模态的产品或研发项目经验，或参与过覆盖多药物类型的研发平台建设。
参与过AI辅助药物设计、靶点发现、知识图谱、科研数据平台、专业模型工具平台或实验室数字化产品建设。
具有大模型应用、RAG、智能体平台、工作流编排、专业工具接入或模型评测产品经验。
具有真实客户交付、专家评审、湿实验协同、第三方测评或国家科技项目管理经验。
能够使用SQL、Python或数据分析工具完成基础的数据查询、结果核验或原型验证。