職缺條件

工作地

台灣

薪資待遇

面議（經常性薪資達4萬元或以上）

工作職責

一、設計與開發 RAG（Retrieval-Augmented Generation）流程
建構高效且可擴充的 RAG 流程，支援 GenAI 應用場景，包括：
　- 資料預處理：將文本、圖像、程式碼等多種格式資料轉換為模型可理解的輸入
　- 向量嵌入：應用向量化技術（如 SentenceTransformers）將資料轉為向量表示，並儲存於向量資料庫
　- 相似度檢索：根據使用者查詢，快速檢索出語意上最相關的資料片段
　- 提示強化：整合檢索結果至 LLM 提示詞中，提升生成內容的準確性與相關性
　- 輸出生成：結合語境與知識基礎，由 GenAI 模型產出高品質內容
　- 評估並選用最適合的向量資料庫與嵌入模型（如 Pinecone、Milvus），確保系統效能與可擴充性
　- 持續優化 RAG 整體流程的精準度、查詢速度與資源效率

二、建構與維運向量資料庫系統
根據業務需求選型向量資料庫，進行環境部署與性能調校
設計合理的資料 schema，並確保資料一致性、完整性與安全性
開發自動化工具與腳本，協助資料的導入、更新、同步與清理
監控資料庫運作情況，持續進行效能優化與問題排查

三、開發與調優向量嵌入模型
根據不同資料類型與應用情境，選擇適用的嵌入技術與模型架構
使用現有工具（如 HuggingFace、SentenceTransformers）訓練或微調向量模型
建立模型效能評估機制，並依據結果進行優化與版本控管

四、提升 GenAI 應用品質
利用 RAG 技術降低幻覺（hallucination）風險，提升回應準確度與可信度
建立內容驗證與監控機制，確保模型輸出符合業務邏輯與事實基礎
持續推動 GenAI 應用可觀測性與品質保證流程

五、跨部門合作與技術溝通
與 GenAI 應用工程師、資料科學家及產品團隊緊密協作，確保資料應用與業務需求對齊
以簡明方式向非技術人員說明 RAG 技術與向量資料庫的運作邏輯與價值，推動跨部門共識與落地

六、技術研究與專業發展
掌握最新的 RAG 框架、向量資料庫技術與嵌入模型演進趨勢
研究前沿的向量搜尋演算法與多模態資料處理技術
積極參與相關研討會、工作坊與開發者社群，拓展技術視野與業界人脈