面議（經常性薪資達4萬元或以上） 台北市大安區 1年工作經驗 6天前更新
1.整合 LLM 模型與應用系統
- 採用 RAG 架構整合內外部語意資料。
- 提供 LLM 推論服務與相關 API（如 Prompt API、Embedding API、Agent API）。
2.提示工程與驗測模型
- 設計並優化 Prompt。
- 解決 Domain-specific 與 Edge-case 回答問題。
- 評估與調整模型精準度與穩定性。
3. API 系統開發與維運（使用 FastAPI）
- 使用 FastAPI 架設模組化服務。
- 強化與內部系統串接效能。
- 開發與維運推論相關 API。
4. 資料清洗與轉換（RAG Pipeline 前處理）
- 處理半結構化資料（PDF、HTML、Word、Markdown）。
- 對後續 embedding 與 chunking 流程進行最佳化。
# 技能要求
1. LLM API & tool_calls：
- 能區分何時使用 Tool Calls、何時使用 RAG。
- 熟悉使用地端模型回應特定領域問題（如金融相關知識、理財、策略交易...等）。
2. Prompt Engineering：
- 能針對專業任務撰寫具語意控制的 prompt。
- 調整提示詞以提升準確性與一致性。例如：在開發一個專為金融數位服務提供的AI系統，工程師需要精心設計prompt，以確保生成的回覆既專業又準確。
3. Agent & Chaining：
- 能獨立開發處理複雜任務的 AI Agent。
- 整合多個 Agent 實現端對端流程（如數據分析、廣告優化）。
4. Embeddings：
- 了解如何透過向量理解文本與用戶需求（如推薦系統）。例如，在建立一個客製化新聞推薦系統時，工程師會使用嵌入向量來理解用戶的興趣和新聞文章的內容，從而提供客製化的推薦。
5. Vector Database：
- 熟悉向量資料庫的查詢與優化方法（如相似度檢索）。
6. RAG（Retrieval-Augmented Generation）：
- 了解檢索＋生成混合架構的判斷與應用場景。
- 能分辨何時用 RAG、何時直接查詢資料庫。
展開 誤餐費伙食津貼尾牙員工結婚補助生育補助
