毕马威KPMG｜26/27 Off-cycle intern-ADV-Technology-Lighthouse-Nanjing实习

【团队介绍】 毕马威智慧之光，基于客户所在行业的转型痛点与难点，运用人工智能和大数据技术，盘活企业自身的数据资产， 形成一系列行之有效的 数字化解决方案，助力企业高效转型。 数据驱动，协助客户做出明智决策，帮助企业加速增长、降低成本并规避风险。   【岗位亮点】 加入我们，你将与核心团队一同探索 AI 前沿技术的无人之境。这不是一份“打杂”的实习——你将直接参与生产级 AI 产品的架构设计与落地，接触 RAG、Agent、Harness 等最新技术栈，用代码和调研推动产品迭代。 【岗位职责】 RAG 系统建设：参与基于 RAG（检索增强生成）的知识库架构设计与开发，包括文档分割、向量化、检索策略优化及生成质量提升。 Agent 开发：设计与实现基于 LLM 的 Agent 系统，包括任务规划、工具调用、多步推理与自我反思机制，提升 Agent 在复杂场景下的可靠性与准确性。 Harness 技术深耕：深入研究和实践 LLM Harness（模型调用框架 / 推理基建）技术，包括 Prompt 管理、上下文窗口控制、模型路由、服务编排及调用链路管理，构建高效的推理基础设施。 前沿调研：跟踪 AI 领域最新学术论文与开源项目，对前沿技术进行调研、复现与选型评估，并将有价值的技术方案转化为产品创新点。 跨团队协作：与产品经理、算法同事密切协作，将研究成果落地为可产出的功能模块，实现从调研到产品的全链路闭环。

学历背景：计算机、AI、软件工程或相关专业在读本科及以上学历，硕士研究生优先。 RAG 基础：熟悉 RAG 技术栈，了解文档分割、嵌入模型、向量数据库（FAISS / Milvus / Chroma 等）及检索排序策略，有实际项目经验者优先。 Agent 能力：熟悉 LLM Agent 架构设计，了解 ReAct、Plan-and-Execute、Reflection 等推理范式，有 LangChain / LangGraph / AutoGen / CrewAI 等框架使用经验者优先。 Harness 理解：了解 LLM Harness / Inference Framework 的核心概念，包括 Prompt 编排、上下文管理、模型路由与服务编排，了解 vLLM / Ollama / llama.cpp 等推理框架者优先。 编程能力：Python 编程能力扎实，熟悉 PyTorch / Hugging Face Transformers 生态，能独立完成原型开发与实验验证。 调研能力：具备较强的文献阅读与学习能力，能够快速阅读并复现前沿论文，养成持续跟踪 arXiv / Hugging Face / GitHub 最新动态的习惯。 【实习时间要求】 能够尽快到岗，实习至少3个月及以上，每周线下出勤至少4天 期待与你相逢，一同探索 AI 的无限可能。