机器学习工程师

我们正在寻找一位动手实践的机器学习工程师-1，具备对现代AI堆栈的深入理解，并能够为生产级AI系统做出贡献。理想候选人了解LLM的工作原理，能够导航真实代码库，并且能够使用AI工具加速工作，但不需要依赖它们。您将直接嵌入我们的工程团队，并参与AI流水线、API和代理系统，由高级ML工程师指导。期待有实际责任、深入的代码审查和生产经验。

LLM基础与提示工程：清晰了解LLM的工作原理，包括分词、上下文窗口、温度、结构化输出格式、LLM护栏和防止幻觉。熟悉提示技术，如少量示例提示、系统提示、结构化输出、角色提示和推理导向提示。熟悉最近的模型发布、能力转移和架构发展。能够使用Ollama、VLLM或Hugging Face Transformers等工具在本地运行推理。
AI系统与工程：对RAG架构（分块、嵌入、检索、重排序和生成）有中等至较强的理解。对AI代理、工具使用和代理编排框架（如LangChain、LlamaIndex、AutoGen或自定义框架）有工作知识。了解MCP（模型上下文协议）和AI技能/工具设计。了解Transformer架构基础——注意力机制、编码器/解码器、位置编码、嵌入。
Python与后端工程：精通Python编程，包括干净、idiomatic代码、正确的错误处理、类型提示、调试和构建高效算法的能力。能够与结构化输出：JSON schema、Pydantic模型、数据验证模式。Flask API开发：REST端点、请求/响应处理、中间件。对API扩展有基本理解，包括异步和同步模式和基本负载考虑。专家级Git操作：分支策略、PR工作流、提交卫生、rebasing/合并、解决冲突、维护干净的协作历史。
AI工具与代码库导航：能够独立使用AI辅助工具（Cursor、Claude、ChatGPT、GitHub Copilot等）导航现有非平凡代码库。使用AI工具提高速度——但能够独立思考代码并不需要AI解释每一行。计算机视觉与文档AI（基础知识要求；专家水平不是必需）：对图像处理概念有大致了解：预处理、变换、颜色空间。熟悉OCR工具及其实际限制（Tesseract、Docling、AWS Textract等）。对目标检测概念（边界框、YOLO-style模型）有基本意识。
沟通与协作：能够清楚地在审查会议和项目同步中阐述技术决策，无需重复提示来解释推理。能够思考解决方案架构和系统设计，包括组件边界、数据流、API设计、可扩展性权衡、可靠性、可维护性。强书面沟通能力用于异步更新、PR和文档。
工作熟练要求：候选人不需要在这些领域是专家，但应有足够的工作知识来理解、讨论和贡献。Docker：容器化Python服务、多阶段构建、docker-compose用于本地堆栈。深度RAG专长：图RAG、混合检索、向量数据库内部（Pinecone、Weaviate、Qdrant、pgvector）。自定义LLM代理设计：内存管理、多步推理、工具路由、状态机。代理可观测性：追踪、记录代理运行、仪表板（LangSmith、Phoenix、自定义）。LLM/VLM微调：PEFT方法（LoRA、QLoRA）、GRPO、指令微调流水线。细调目标检测模型用于实际用例，包括数据集准备、标注质量检查、训练配置、性能评估。良好的视觉代理能力，包括视觉推理工作流、图像/文档输入、OCR/VLM交接、工具编排。良好的音频处理在代理工作流中的理解，包括转录、音频预处理基础、语音到文本集成、路由音频衍生输出到下游工具。良好的多格式文档处理能力，如PDFs、图片、电子表格、演示文稿、文本文件和结构化导出在AI流水线中。良好的理解将结构化数据转换为非结构化表示并从非结构化输入中提取结构化输出。了解数据库选择基于用例，包括何时使用MongoDB、Neo4j、SQL数据库、向量数据库或混合存储模式。前端/UI基础：HTML/CSS/JS或Streamlit用于内部工具和演示。能够积极贡献到产品和解决方案架构讨论中，提出实际设计选项并理解权衡。了解最新版本、框架和现代技术，能够选择当前、实用的解决方案而不是依赖过时的方法。

Rapid Acceleration Partners是一家专注于人工智能领域的初创公司，致力于推动AI技术的创新和应用。