职位描述
负责企业级智能业务平台中"知识与记忆中心"的整体规划与技术落地。该模块是平台的核心基础设施，为上层多个业务 AI Agent 提供统一的知识与上下文供给，确保 Agent 在每次决策与执行时均能获取充分且精准的信息支撑。
本场景需统一治理跨域结构化数据、非结构化文本、即时通讯记录、既有知识库及业务事件流等多源异构内容，在异构数据源之上建立统一的知识表示、检索与服务体系，并构建"采集 提取 索引 评测 优化"的持续闭环，驱动知识质量与 Agent 决策质量的阶梯式提升。
岗位要求：
主导知识飞轮全链路的架构设计与技术选型，制定分阶段落地路线图，确保从 MVP 到规模化运转的路径清晰可控。
设计多源异构数据的统一接入与变更感知体系，覆盖结构化数据、文档、IM 对话、知识库与事件流五类内容源，建立差异化的同步策略与时效性管理机制。
针对不同内容类型构建差异化的知识提取与关联推理能力，包括文档解析与语义分块、对话意图提取、事件模式识别、跨域知识归一化与冲突消解。
设计高效的多模态检索与分级缓存体系（向量检索 + 倒排索引 + 热温冷三级 Cache），在响应速度与知识时效性之间取得最优平衡。
建立知识质量的全维度评测与归因体系（检索相关性、知识准确率、上下文完备度、业务效果归因），实现自动化持续运行，驱动飞轮各环节的迭代优化。
沉淀知识工程方法论与最佳实践，培养团队核心技术骨干。
职位要求
具备 RAG 系统的全链路设计与落地经验（数据采集、文档解析、语义分块、向量检索、重排序），有效果评测与迭代优化的完整闭环经历。
具备企业级知识飞轮或数据飞轮的闭环建设经验，在业务运行中实现过知识质量与决策质量的可量化持续提升。
具备企业级多源异构数据治理经验，处理过结构化数据、文本、对话记录、事件流的统一接入与融合。
熟悉主流向量检索系统的性能特征，具备 Cache 策略设计经验（分层、TTL、命中率优化）。
具备评测驱动的工作方法论，习惯以数据指导优化方向。
理解 LLM Agent 架构，能从"为 Agent 提供上下文"的视角进行系统设计。
具备大规模系统架构设计能力与跨团队协作推动能力。
