中階 RAG 工程師 / AI 應用工程師
薪資範圍:90,000 ~ 140,000 TWD / month
打造醫療專用大語言RAG模型
核心技能更聚焦 → 以「能使用現有技術與最佳化」為重點，不強求從零打造檢索技術或微調 LLM。
避免過多高階技術 → 移除 Knowledge Graph、Fine-tuning 作為必備條件，而改為加分項。
更重視實務應用 → 強調 API 串接、系統整合、效能調校。
核心技能
1. 檢索系統（Retrieval）
- 具備 向量資料庫（Vector DB） 的基本使用經驗，例如 FAISS、ChromaDB、Weaviate 或 Pinecone。
- 能使用 嵌入模型（Embedding Models）（如 OpenAI Embeddings, Cohere, BGE）進行文本向量化。
- 理解 基本檢索技術（如 Top-K, Similarity Search），能選擇適合的檢索方式。
- 能進行 資料切片（Chunking）與索引（Indexing），確保資料能有效檢索。
🔹 加分項：了解 Hybrid Search（結合語義與關鍵字檢索）或 Re-Ranking 技術。
2. 生成系統（Generation）
- 熟悉 LLM API（如 OpenAI, Claude, Mistral, Llama），能將檢索結果整合至 LLM 輸入。
- 具備 Prompt Engineering 能力，能撰寫適當的提示詞（Prompts），提升模型回應品質。
- 了解 Context Augmentation，能有效組織檢索到的資訊，使 LLM 回應更準確。
🔹 加分項：有使用 Chain-of-Thought（CoT） 或 ReAct 來提升 LLM 推理能力的經驗。
3. 系統整合與最佳化（System Optimization）
- 具備基本的 API 串接與系統開發能力，能將 RAG 方案整合到應用中（如 chatbot、文件搜尋）。
- 了解如何透過 記憶機制（Memory） 提升 LLM 長對話的效果，例如短期記憶（Session Memory）。
- 具備 基本效能優化概念，能調整檢索與 LLM 參數以降低延遲（Latency）。
🔹 加分項：有 Cache 機制（如 Redis, Local Caching）來降低 API 召喚成本的經驗。
以下為加分項：
⭐ 有微調 LLM（Fine-tuning）或 Prompt-Tuning 經驗。
⭐ 具備 多步檢索（Multi-Hop Retrieval） 的實作經驗。
⭐ 了解 知識圖譜（Knowledge Graph），能結合結構化知識與 RAG。
⭐ 熟悉 混合檢索（Hybrid Search），能提升查找準確度。
公司地址:
台北市內湖區瑞光路358巷30弄10號八樓其他:
第一階段：履歷篩選📌條件具備向量資料庫（Vector DB）使用經驗（FAISS, ChromaDB, Pinecone, Weaviate）能夠使用嵌入模型進行文本向量化（OpenAI, Cohere, BGE）熟悉基本檢索技術（Top-K, Similarity Search）與資料索引策略有LLM API 使用經驗（OpenAI, Claude, Mistral, Llama）熟悉Prompt Engineering，能最佳化 LLM 生成內容加分項：Hybrid Search、Re-ranking、Memory（短期記憶 / 長期記憶）📌重點篩選✅ 是否有RAG 相關開發經驗（如 chatbot、智能搜尋）？✅ 是否有檢索最佳化 / 生成內容強化經驗？✅ 是否有API 整合與效能優化能力？第二階段：技術測試（Take-home Test + 技術面試）📌目標：測試候選人的檢索、生成與系統整合能力📌時間：3-5 小時（Take-home Test）+ 60-90 分鐘（技術面試）題目 1：檢索系統開發（向量 DB + 嵌入模型）📌情境：公司正在開發一個智慧客服系統，需要實作一個簡單的RAG 檢索模組。請使用FAISS / ChromaDB / Pinecone，完成：載入並索引一批 FAQ 文本（提供 JSON 格式資料）對使用者輸入的問題進行檢索，返回最相關的內容設計檢索策略（Top-K / Similarity Search）並解釋選擇理由🔹考察點是否能正確實作檢索系統？是否能選擇適合的檢索方法？是否有良好的程式結構與可讀性？題目 2：生成系統優化（Prompt Engineering & Context Augmentation）📌情境：在上述智慧客服系統中，檢索的結果需要傳給 LLM 進行回應，請：設計 Prompt，讓 LLM 能產生更準確的回應優化 Context Augmentation 方法，確保 LLM 使用的檢索資料最相關測試不同 Prompt 設計的效果，提供結果分析🔹考察點是否能優化 Prompt 設計？是否能有效利用檢索結果來提升 LLM 回應品質？是否能透過測試來調整最佳 Prompt？題目 3：API 整合與效能最佳化📌情境：公司計劃將RAG 檢索與 LLM 生成模組整合為 API，請：設計一個RESTful API（可用 Flask, FastAPI, Express.js），能夠：接收用戶查詢執行檢索呼叫 LLM API 生成回應如何降低 API 延遲（Latency）？（快取、批量查詢等策略）如何監控 API 使用狀況？（日誌與指標監控）🔹考察點API 設計是否清晰易維護？是否有效能優化與快取策略？是否有監控與錯誤處理機制？第三階段：文化與團隊適配面試📌問題當系統檢索結果不準確時，你如何調整？如何與前端、後端團隊合作，確保 RAG 系統與整體應用兼容？當 LLM 產生幻覺（Hallucination）時，如何減少錯誤回應？如何權衡 API 請求成本與準確性？🔹考察點是否具備團隊合作與溝通能力是否能解決 LLM 產生幻覺的問題是否能根據商業需求調整 RAG 策略-2025-03-04