AI 数据工程师

1、负责大模型 SFT/DPO/RL/RAG 等训练范式的数据采集、清洗、标注与质量评估，体系化构建大模型高质量数据集生产 Pipeline。
2、探索 AI for Data 前沿实践：研发数据增强与智能合成技术，利用 AI 自动化生产和校验训练数据，构建「AI 生产数据 → 数据训练 AI」的数据飞轮，持续提升数据质量与多样性。
3、建设大模型训练数据体系，沉淀训练数据集、模型评测集、用户标签体系与模型效果指标体系，将业务专家经验系统性转化为可复用的 AI 数据资产。
4、开发数据 Agent：基于大模型与 Agent 框架，构建覆盖数据采集、清洗、标注、质检等环节的自动化 Agent，实现数据生产流程的智能化与自主化，降低人工干预成本。
5、深度协同算法与业务团队，针对 PE/RAG/SFT/DPO/RL 等大模型落地方案设计专项数据解决方案，基于模型效果反馈持续迭代数据策略；积极使用 Claude Code/Cursor 等 AI 辅助研发工具，以 AI 原生方式提升数据工程效率。

1、AI机会：深度参与金融核心 AI 场景的大模型数据全链路建设，参与 SFT/DPO/RL/RAG 项目工程实践；从 0 到 1 设计和落地数据 Agent，在数据工程智能化转型的早期阶段积累稀缺的 Agent 开发实战经验。
2、业务基本盘：金服大模型覆盖催收、KYC、风控、智能客服等核心金融场景，业务体量大、AI 落地需求迫切，数据工程师的工作直接决定大模型在金融场景的能力上限。
3、成长与资源：与算法、业务专家深度协作，在真实金融 AI 落地项目中快速积累跨领域实战经验；团队提供充足的 GPU、数据与标注资源支持，鼓励以 AI 原生方式探索数据工程的前沿实践。