知识平台算法专家（RAG & 知识图谱方向） 上海 社招 全职 数字技术 本科及以上 5-7 年 职位描述 岗位核心使命深度融合 LLM 与知识图谱技术，构建企业级 GraphRAG 架构。通过本体建模与高精度检索技术，解决大模型在复杂专业领域下的幻觉问题，打造工业级的知识服务引擎。主要职责RAG 架构优化：负责企业级 RAG（检索增强生成）系统的全链路研发。针对长文本及复杂知识，优化文档切片 (Chunking) 策略、多路召回 (Retrieval) 及 重排序 (Reranking) 算法，提升问答的准确性与归因能力。知识中枢建设：负责领域本体论 (Ontology) 建模，设计高扩展性的 Schema；利用 LLM 实现自动化知识抽取（实体、属性、三元组），构建高质量结构化知识库。底层存储与检索：负责基于 Milvus/Zilliz 的向量数据库与 Elasticsearch 的全文检索集成，设计向量-标量混合检索方案，优化海量数据的检索延迟与相关性。推理与应用落地：探索图增强检索（GraphRAG）、多步推理链（CoT）在知识平台中的应用，负责从非结构化数据到结构化知识转化的全流程算法迭代。 职位要求 1.
Company: Qualcomm China Job Area:Engineering Group, Engineering Group Software Engineering General Summary: Qualcomm is building a dedicated team to deeply embed an AI-native GenAI Platform into our local engineering Software Development Life Cycle (SDLC). As an
Company: Qualcomm China Job Area:Engineering Group, Engineering Group Software Engineering General Summary: Qualcomm is building a dedicated team to deeply embed an AI-native GenAI Platform into our local engineering Software Development Life Cycle (SDLC). As an
Company: Qualcomm China Job Area:Engineering Group, Engineering Group Systems Engineering General Summary: Job Overview Sensors-based technology enables a wide range of applications including navigation, gaming, advanced user interfaces, multimedia, and AR/VR experiences. This role offers hands-on
Some careers have more impact than others. If you’re looking for a career where you can make a real impression, join HSBC and discover how valued you’ll be. We are currently seeking an experienced professional to
At Roche you can show up as yourself, embraced for the unique qualities you bring. Our culture encourages personal expression, open dialogue, and genuine connections, where you are valued, accepted and respected for who you are,
蔚来AGI超星计划-企业智能算法研究员 推荐投递 上海 校招 实习 数字技术 硕士及以上 蔚来AGI超星计划 职位 ID：A118187 职位描述 方向：Ontology / Context Engineering / Evaluation / Self-evolving AI你要解决的问题通用模型不会天然理解一家企业。企业里存在数万张表、海量文档、复杂对象关系、不同指标口径、隐含规则和持续变化的业务状态。这个岗位需要研究：如何让 AI 从异构企业资产中建立语义，找到完整证据，组装正确上下文，完成可靠推理，并从失败中持续学习。这不是单一的 RAG 问题，而是语义建模、信息检索、知识表示、推理、评测和学习系统的交叉问题。你会参与的工作1. 研究从表结构、字段、文档、代码和 API 中自动抽取企业对象、关系、事件、指标与规则；2. 研究局部语义与 Canonical Ontology 的自动对齐、冲突识别和增量演进；3. 设计面向复杂问题的多阶段召回、查询分解、证据选择和 Context Assemble 算法；4. 研究结构化数据、非结构化知识和图谱的联合检索与