软件工程师全栈

职位名称：GEO探索工程师/AI增长黑客【关于我们】我们是一家专注于GEO(GenerativeEngineOptimization)的自研产品技术公司（⾮外包、⾮项⽬交付型公司）。我们的使命是用工程化的⽅法，搭建品牌与AI大模型之间的沟通桥梁。我们正在构建*的GEOSaaS基础设施，我们不相信运气，我们相信数据结构、系统稳健性与可解释的优化逻辑。【职位背景：这可能不是一份令所有人都舒适的工作】在投递简历前，我们希望你了解我们正在面对的真实挑战：我们正在解决的是一个高度不确定的工程问题——大模型行为在变化，搜索与*结果不可完全预测。我们不是在为客户做一次性的“外包项目”，而是在打磨一套需要长期迭代、甚至定义行业标准的“核心引擎”。因此，这个岗位并不适合只期待通过更换模型或调参来解决问题的方式，也不适合习惯“交付即结束”的项目制思维。我们更关注系统本身是否足够稳健、可解释、可复现。在这里，你将长期面对模糊需求、复杂历史数据，并需要为自己写的每一行代码的长期生命周期负责。【我们正在寻找的“同路人”】这不仅仅是关于代码能力，更是关于思维方式。请仔细阅读以下描述，这决定了你在团队中是“如鱼得水”还是“非常痛苦”：如果你是这样的人，你会在这里获得巨大的成就感：产品主人翁感：享受打造自有产品的过程，愿意为了产品的长期健壮性而拒绝短期的“烂代码”。工程洁癖：对AI的不确定性有天然的警惕，致力于把“玄学”变成“科学”，把“经验”沉淀为“代码”和“规则”。直面脏问题：乐于拆解模糊的、灰度的问题，愿意在没有标准答案的废墟上建立结构。深度思考：习惯被追问“为什么”，并把这视为完善系统的必经之路。×如果你符合以下特征，这个岗位大概率会极其消耗你（请慎重投递）：“交付思维”严重：习惯做完项目就走，不愿意面对历史包袱，也不愿意为系统的长期演进负责。期待“模型救世主”：面对效果波动，*反应是“换个更强的模型”，而不是去查系统哪里没兜住。Demo导向：喜欢快速出结果，但对“数据债”、“代码可维护性”缺乏耐心，觉得跑通就行。抗拒定义：面对一开始说不清楚的需求感到焦虑，希望有人告诉你确切的执行路径。【你的核心职责】GEO自研系统建设与架构：负责公司核心自研产品的后端研发，构建高可用、可复现的AI数据处理流水线。设计并维护复杂的调度系统，确保在海量并发下，数据采集、分析与反馈链路的稳定性。不确定性下的工程化治理：研发自动化评估体系(Auto-Eval)，将模糊的AI输出转化为可量化的指标。通过工程手段（如RAG优化、知识图谱构建、兜底策略设计）对抗大模型输出的随机性。数据资产结构化：处理非结构化的海量文本数据，将其转化为大模型易于理解和引用的高质量数据结构。4.工具链开发：将内部沉淀的SEO/GEO经验转化为标准化的工具及API，提升团队整体效率。【任职要求】我们不限定编程语言或特定框架。比起“你会用什么工具”，我们更在乎“你如何构建可靠的系统”。工程能力语言语法：精通至少一门主流后端编程语言（Python/Go/Java/Rust/C++等均可）。我们需要你具备扎实的计算机科学基础（数据结构、算法、网络协议），并坚持高标准的工程规范（CleanCode、UnitTest、CI/CD）。核心考量：你能否写出在多人协作下依然清晰、可维护、且经得起长期生产环境考验的代码？AI原理框架调用：不迷信特定的AI开发框架（如LangChain等），但必须深入理解LLM应用的底层逻辑与设计模式。无论使用什么技术栈，你需要深刻理解RAG(检索增强生成)的全流程、Embedding的语义计算原理、VectorSearch的索引机制以及ContextWindow的管理策略。核心考量：当现成的框架无法满足业务需求时，你是否有能力手搓一套适合特定场景的解决方案？系统架构与数据处理：具备复杂后端系统的架构设计能力，能根据业务场景进行合理的数据库选型（Relational/NoSQL/VectorDB）和技术方案权衡（Trade-off）。有处理非结构化数据（文本/日志/多模态数据）的丰富经验，能够设计高效的数据清洗与流转管道（Pipeline）。解决问题的“系统思维”：面对AI输出的随机性与不可控，具备从概率和系统兜底角度解决问题的能力。能将模糊的业务需求拆解为确定的工程任务，并习惯在编码前进行充分的技术方案评审。【投递建议】如果你看完上述的“劝退指南”后，反而觉得“这正是我想要的自研产品挑战”，那么请务必
联系我时，请说是在58同城上看到的，谢谢！