AI Engineer / AI信息系统工程师-轻识

AI Engineer / AI信息系统工程师

项目介绍

本项目的AI不是一个聊天机器人。

核心任务是：

把大量Telegram、新闻和投稿内容自动理解成结构化真实事件。

系统需要自动解决：

什么是垃圾

什么是重复

什么属于同一事件

什么是新进展

谁、在哪里、什么时候发生什么

哪些事实已经确认

哪些来源互相冲突

当前应该怎样摘要

岗位定位

负责：

AI内容中台 + Event Intelligence。

核心职责

1.AI Pipeline

2.Structured Extraction

3.Classification

4.Geo Resolution

5.Entity Extraction

6.Claim Extraction

7.Text Dedup

8.Event Candidate Retrieval

9.Event Clustering

10.Event Update Detection

11.Multi-source Comparison

12.Confidence辅助

13.Title/Summary

14.Embedding

15.Hybrid Search

16.AI Evals

17.Cost/Latency优化

18.Workflow可靠性

必须技能

Python

Python

Async

FastAPI

Pydantic

pytest

Data

PostgreSQL

SQL

Redis

LLM Engineering

OpenAI

Claude

Gemini

DeepSeek等多个模型平台经验

Structured Output

JSON Schema

Tool / Function Calling

Prompt Engineering

Context Engineering

Model Routing

Retry / Fallback

NLP / Search

Embedding

Cosine Similarity

NER

Information Extraction

Entity Resolution

Clustering

Candidate Retrieval

Text Similarity

Evaluation

Precision

Recall

F1

Golden Dataset

Regression Eval

加分

LangGraph

RAG

BM25

Hybrid Search

pgvector

OpenSearch

MinHash

SimHash

pHash

Vision Embedding

Record Linkage

Knowledge Graph

新闻/舆情系统

重点能力判断

我们最关注这个问题：

给你50—100条不同频道的消息，你怎么自动判断哪些是重复、哪些是同一事件、哪些是不同事件、哪些是真正的新进展？

不接受答案：

全部发给大模型判断。

优秀候选人应想到：

Time window

Geo

Entity

Candidate retrieval

Embedding

Similarity

Rule

LLM adjudication

可信度判断

候选人必须知道：

LLM不应该直接凭感觉生成一个“可信度92%”。

应该基于：

来源权重

独立信源

官方消息

Claim一致性

信息冲突

转发关系

LLM负责：

抽取和解释。

AI Coding要求

熟练：

Claude Code / Codex / Cursor / Copilot。

但重点观察：

是否知道怎么验证AI生成代码。

工作方式

强调：

实验必须可量化。

不接受：

“我这周优化Prompt了。”

应该说：

Event误合并率从X降到Y。

开发节奏

每周至少输出：

新Pipeline能力

或者：

某项质量指标提升。

不适合

只会调用ChatGPT API

只做过聊天机器人

RAG简历包装

不懂Embedding

不懂聚类

不懂Eval

不懂Precision/Recall

只会Notebook

没有生产API

不考虑Token和Latency

所有任务都让LLM一次完成

需要提交

简历

GitHub

AI项目

Demo

架构图

Eval方法

代表性指标

AI Coding方式

可投入时间

面试重点

Q1

如何做同事件识别？

Q2

如何避免相似但不同的案件被合并？

Q3

如何做标题/正文近重复？

Q4

如何判断转发来源？

Q5

怎样稳定抽取伤亡人数？

Q6

三个来源数字冲突怎么办？

Q7

如何设计可信状态？

Q8

如何控制LLM成本？

Q9

AI任务一半失败如何恢复？

Q10

换模型后怎样证明效果变好？

1—2天付费测试

给：

约50条消息。

人工预先标注：

8—15个真实Event。

要求输出：

duplicate_groups

events

article_event_relation

entities

claims

latest_update

confidence_state

并提供：

评测脚本。

评分

Event Precision：20%

Event Recall：15%

Dedup：15%

Extraction：15%

Evals：10%

架构：10%

Cost/Latency：5%

代码/Test：5%

AI Coding：5%

重大红线：

大量错误Event合并。