AI技术工程师

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(AutoEval)，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（Tradeoff）。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！