近期，TalentsAI 正在继续招募一批 大模型训练专家｜Agentic Coding 方向的专业合作人才。
这几个岗位此前已经发布过，但近期需求仍然非常紧缺。
这不是传统意义上的数据标注岗位，也不是简单的编程题目撰写工作。我们正在寻找的是一类更复合的人才：既理解专业领域问题，也具备扎实编程能力，并且能够将真实场景转化为可执行、可验证的 coding task。
随着大模型和 AI Agent 能力不断提升，模型是否能“写代码”已经不再是唯一问题。更关键的是：
AI Agent 能否理解真实专业场景？
能否在终端环境中完成复杂任务？
能否通过自动化测试证明自己真的完成了任务？
要回答这些问题，需要高质量的专业任务设计。而这正是我们正在招募的方向。
我们正在招募的 4 类专家方向
目前重点开放以下 4 个方向：
1. Agentic Coding × 金融工程 / 量化金融
适合金融工程、量化金融、金融数学、量化研究、量化开发等相关背景的人才。
你可能会设计与以下场景相关的任务：
- 量化交易策略
- 风险控制与金融建模
- 历史行情数据处理
- 指标计算与回测分析
- 面向真实量化工作流的 Python 编程任务
我们希望候选人不仅理解金融模型和数据处理逻辑，也能把这些问题设计成清晰、可验证的任务。
2. Agentic Coding × 计算力学
适合机械工程、计算力学、车辆工程、有限元、CFD、工程仿真等相关背景的人才。
你可能会设计与以下场景相关的任务：
- 有限元分析
- CFD 模拟
- 热传导方程求解
- 机械故障检测
- 工程仿真数据处理
- 传感器时序数据分析
这类任务不追求算法竞赛式的抽象题目，而是更强调真实工程场景中的问题拆解和结果验证。
3. Agentic Coding × 物理 / 计算物理
适合物理、计算物理、凝聚态物理、数值模拟、科研编程等相关背景的人才。
你可能会设计与以下场景相关的任务：
- 分子动力学模拟
- 光谱数据分析
- 数值求解物理方程
- 偏微分方程求解
- 实验数据拟合
- 物理模拟参数处理
我们关注的不只是候选人是否懂物理，还包括是否能用代码表达问题、构造数据、设置边界条件，并设计合理的验证标准。
4. Agentic Coding × 生物信息学 / 计算生物学
适合生物信息学、计算生物学、生物工程、基因组学、蛋白结构分析等相关背景的人才。
你可能会设计与以下场景相关的任务：
- 序列分析
- 序列比对
- 变异检测
- 基因表达矩阵分析
- 蛋白质结构分析
- FASTQ、PDB 等格式数据处理
如果你熟悉 Python 生信编程、Biopython、SAMtools、Bowtie、PyMOL 等工具或生态，会非常匹配。
这份工作具体需要做什么？
这类岗位的核心，不是简单地“写一道题”，而是设计一个完整的 Agentic Coding Task。
一个高质量任务通常包括：
1. 设计真实专业场景下的编程任务
任务需要来自真实工作、科研或工程场景，而不是单纯的算法题。
例如，量化金融方向可能是一个策略回测任务；计算力学方向可能是一个有限元结果分析任务；计算物理方向可能是一个数值求解或模拟任务；生物信息学方向可能是一个序列处理或变异检测任务。
核心要求是：任务要有专业含量，也要能够通过代码完成。
2. 编写清晰的任务说明
你需要撰写类似 instruction.md 的自然语言任务描述，让 AI Agent 能够理解：
- 任务目标是什么
- 输入数据是什么
- 输出格式是什么
- 核心考点是什么
- 约束条件是什么
- 什么样的结果才算通过
一份好的 instruction，需要清晰、无歧义，并符合该专业领域的表达习惯。
3. 搭建可复现的执行环境
任务需要在终端或 Docker 环境中执行，因此你可能需要编写 Dockerfile，配置依赖、工具、数据文件和运行环境。
这部分要求候选人具备一定工程能力，熟悉：
- Python
- Linux
- Bash
- Docker
- 专业领域相关工具和库
4. 编写自动化测试脚本
一个任务是否完成，不能只靠人工主观判断。
你需要设计自动化测试，例如：
test.sh- pytest 断言
- 输入输出校验
- 数值误差判断
- 关键文件或结果检查
- 边界条件验证
测试脚本的目标是判断 AI Agent 是否真正完成了任务，而不是只生成了看起来合理的代码。
5. 提供参考解答和难度标注
你还需要提供参考解法，例如 solve.sh 或相应代码实现，以证明任务本身可解，并校验测试逻辑是否合理。
同时，也需要根据任务涉及的专业知识、编程复杂度和执行难度，标注任务难度。
我们在寻找什么样的人？
这批岗位的要求不低，更适合具备硬核背景的人。
理想候选人通常具备以下特征：
- 相关专业硕士及以上，或具备同等强度的专业实战经验
- 熟练使用 Python 进行专业领域编程和数据分析
- 熟悉 Linux 终端操作和 Bash 脚本
- 了解 Docker，能够编写 Dockerfile 并配置任务环境
- 能够独立设计有明确验证标准的 coding task
- 具备清晰的题目逻辑、任务拆解能力和验证意识
如果你有以下经验，会更加匹配：
- pytest 使用经验
- benchmark 或竞赛出题经验
- AI / ML 项目经验
- LLM Agent 相关经验
- 真实科研、工程、金融或生信项目经验
为什么我们需要这样的专家？
大模型正在从通用问答和代码补全，进入更复杂的专业场景。
在这些场景里，真正有价值的能力不是“生成一段代码”，而是完成一个完整任务：
理解专业问题，读取数据文件，配置运行环境，编写代码，处理报错，运行测试，修复结果，最终通过验证。
这正是 Agentic Coding 的关键能力。
而要提升这种能力，需要来自真实专业领域的高质量任务。
这也意味着，懂专业、懂代码、懂场景的人会变得越来越重要。
适合谁来参与？
如果你是以下背景，欢迎关注：
- 量化研究员 / 量化开发 / 金融工程研究者
- 有限元 / CFD / 机械仿真 / 工程分析相关从业者
- 物理模拟 / 计算物理 / 科研编程相关研究者
- 生物信息分析师 / 基因组学工程师 / 计算生物学研究者
- 熟悉 Python、Linux、Docker 的专业技术人才
- 对 AI Agent、Coding Benchmark、大模型训练感兴趣的人
这不是低门槛岗位。
但如果你刚好懂专业、懂代码，也理解真实任务场景，这会是一个非常匹配的方向。
岗位详情
目前开放方向包括：
- 大模型训练专家｜Agentic Coding × 金融工程 / 量化金融领域
- 大模型训练专家｜Agentic Coding × 计算力学
- 大模型训练专家｜Agentic Coding × 物理 / 计算物理领域
- 大模型训练专家｜Agentic Coding × 生物信息学 / 计算生物学领域
岗位详情可查看：
欢迎自荐，也欢迎转发给身边合适的专家、研究员、工程师和技术从业者。
