1、Agent系统开发：参与证券垂直领域AI Agent的设计与实现，包括意图识别、任务规划、工具调用（Function Call）、记忆机制等核心模块的开发与优化，覆盖智能投顾、智能研报生成、舆情分析等场景； 2、数据处理与知识库构建：构建和维护金融领域结构化与非结构化数据pipeline，包括公告财报解析、研报预处理、知识图谱构建及向量数据库（Vector DB）索引优化，为RAG（检索增强生成）系统提供高质量数据基础； 3、模型微调与对齐：基于开源大模型（如Qwen、DeepSeek等）进行LoRA/RLHF微调实验，针对证券领域专业任务（如财报问答、市场解读、投资分析）进行模型效果评估与迭代优化； 4、评估体系建设：协助搭建Agent效果评估框架，设计金融场景专属评测集，对模型输出准确性、时效性、合规安全性进行系统化评测； 5、前沿技术探索：跟踪追踪AI Agent、大模型、多模态等前沿技术发展，快速原型验证新技术在证券场景的可行性。

1、2027届应届毕业生，硕士及以上学历，计算机科学、人工智能、软件工程、金融工程或相关专业； 2、编程能力扎实：精通Python，熟悉常用数据结构和算法，具备良好的工程代码习惯（Git、Code Review、单元测试）； 3、AI基础扎实：熟练掌握主流深度学习框架（PyTorch），熟悉Transformer架构及常见开源大模型（LLaMA、Qwen、ChatGLM、DeepSeek等）的原理与应用； 4、技术视野开阔：了解以下至少两个方向的技术栈—— Agent开发：熟悉LangChain、LangGraph、AutoGen、Dify等至少一种Agent开发框架 RAG系统：了解向量检索（Faiss/Milvus）、Embedding模型、Chunking策略及检索重排序（Rerank） 模型微调：有QLoRA、PEFT、DeepSpeed等微调工具使用经验 工具调用：了解Function Calling/Tool Use机制 5、金融素养：具备基础金融知识，能理解基本的证券业务场景（如股票交易、研究报告、财报分析、投资组合等），有财经数据（Wind、聚宽、Tushare等）处理经验者加分； 6、自驱力强，具备快速学习能力和技术落地导向的工程思维；良好的逻辑分析和问题拆解能力，对业务场景敏感，具备良好的团队合作精神与沟通表达能力。