主分类：未分类
多岗位拼接
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "AI安全与隐私工程师",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "ICT BG,终端BG,制造部,质量与流程IT部,智能汽车解决方案BU",
"location": "苏州/济南/东莞/南京/西安/杭州/武汉/成都/北京/长沙/上海/深圳",
"work_mode": "未披露",AI生成
"job_category": "研发类"AI生成
},
"company": {
"company_name": "华为",
"company_industry": "信息通信技术 / 智能终端 / 云计算",
"company_size": "10000人以上",
"company_website": "huawei.com",
"company_description": "华为提供通信网络、企业网络、智能终端、云服务、数字能源和智能汽车解决方案。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "AI应用安全\n1、Agent 攻防红队： 针对智能体系统进行“提示词攻击”测试（如直接/间接提示词注入、越权提权），挖掘 Agent 在自主决策路径上的漏洞。\n2、工具调用安全（Tool/Plugin Security）： 评估并设计 Agent 调用外部接口（API、数据库、Shell）时的安全校验机制，防止非法指令执行。\n3、RAG 与隐私保护： 负责检索增强生成（RAG）过程中的数据权限控制，确保 Agent 在多租户、多角色环境下不发生敏感信息越权泄露。\n4、防御组件研发： 开发与维护 AI 护栏（Guardrails）系统，对模型输入输出进行实时扫描、敏感词过滤及有害意图拦截。\n5、业务风险建模： 针对特定业务场景（如 AI 助手、自动化办公）进行威胁建模，制定 Agent 行为的安全基线。\n\nAI模型与Infra安全\n1、模型鲁棒性与对齐： 评估大模型在面对对抗性样本（Adversarial Examples）时的稳定性，通过微调或对齐技术提升模型抗干扰能力。\n2、训练数据安全： 负责数据采集与预处理阶段的“投毒（Poisoning）”检测，防止攻击者在训练集中埋下后门或恶意逻辑。\n3、模型资产保护： 设计模型权重（Weights）的加密存储与访问控制方案，防止模型被盗取、非法反向工程或被恶意提取参数。\n4、Infra 与算力平台安全： 负责 AI 集群（K8s/容器）的安全加固，监控分布式训练环境下的横向移动风险，防止算力被盗用。\n5、供应链安全： 建立 AI 开源组件与预训练模型文件的安全扫描体系，防止加载包含恶意脚本的模型文件（如 Pickle 反序列化漏洞）。",
"requirements_text": "AI应用安全\n1、编程基础： 熟练掌握 Python，熟悉 LangChain、LlamaIndex 或类似的 Agent 开发框架。\n2、AI 视野： 深入理解 LLM 的推理机制及 RAG 架构，熟悉 OWASP Top 10 for LLM 风险分类。\n3、安全背景： 熟悉常见的 Web 安全漏洞（如 SSRF、注入、权限逻辑漏洞），并能理解其在 AI 场景下的演变。\n4、加分项： 有过对主流 AI 应用（如 GPTs、大模型插件）的实战漏洞挖掘经验；熟悉差分隐私或脱敏算法。\n\nAI模型与Infra安全\n1、 熟练掌握 Python/C++，深入理解 PyTorch 或 TensorFlow 的底层机制。\n2、 熟悉 Linux 系统安全、容器化技术（Docker/K8s）及云原生安全架构。\n3、具备较强的数学基础，了解对抗生成网络（GAN）、对抗攻击算法（如 FGSM, PGD）或联邦学习。\n4、加分项： 熟悉可信计算（TEE/SGX）在 AI 领域的应用；在 AI 安全相关顶会（如 USENIX, CCS, NeurIPS 等）有研究成果。",
"skills": [AI生成
"Python",
"C++",
"Linux",
"Docker",
"PyTorch",
"TensorFlow",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "4、加分项： 有过对主流 AI 应用（如 GPTs、大模型插件）的实战漏洞挖掘经验；4、加分项： 熟悉可信计算（TEE/SGX）在 AI 领域的应用",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://career.huawei.com/cn/job-details?advertisementId=30863"
}
]
},
"posting": {
"posting_id": "30863",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://career.huawei.com/cn/job-details?advertisementId=30863"
},
"fulltext": "AI安全与隐私工程师\n岗位方向：AI应用安全\n部门：终端BG软件部,终端BG硬件工程与产品开发管理部,终端云服务部,终端云服务小艺业务部,智能座舱领域,智能汽车解决方案BU研发管理部,智能驾驶解决方案产品线,数据存储产品线,质量与流程IT部,无线网络产品线,公共开发部,云核心网产品线,计算产品线,数据通信产品线,光产品线,服务与软件研发管理部,基础软件院,制造部,数字能源研发管理部,上海海思研发部,无线终端芯片业务部,云计算BU,研发工程、IT装备与安全技术院,云软件研发部,智能汽车解决方案BU质量运营与流程IT部\n地点：北京/上海/东莞/杭州/南京/武汉/西安/成都/深圳/苏州/长沙/济南\n岗位职责\n1、Agent 攻防红队： 针对智能体系统进行“提示词攻击”测试（如直接/间接提示词注入、越权提权），挖掘 Agent 在自主决策路径上的漏洞。\n2、工具调用安全（Tool/Plugin Security）： 评估并设计 Agent 调用外部接口（API、数据库、Shell）时的安全校验机制，防止非法指令执行。\n3、RAG 与隐私保护： 负责检索增强生成（RAG）过程中的数据权限控制，确保 Agent 在多租户、多角色环境下不发生敏感信息越权泄露。\n4、防御组件研发： 开发与维护 AI 护栏（Guardrails）系统，对模型输入输出进行实时扫描、敏感词过滤及有害意图拦截。\n5、业务风险建模： 针对特定业务场景（如 AI 助手、自动化办公）进行威胁建模，制定 Agent 行为的安全基线。\n岗位要求\n1、编程基础： 熟练掌握 Python，熟悉 LangChain、LlamaIndex 或类似的 Agent 开发框架。\n2、AI 视野： 深入理解 LLM 的推理机制及 RAG 架构，熟悉 OWASP Top 10 for LLM 风险分类。\n3、安全背景： 熟悉常见的 Web 安全漏洞（如 SSRF、注入、权限逻辑漏洞），并能理解其在 AI 场景下的演变。\n4、加分项： 有过对主流 AI 应用（如 GPTs、大模型插件）的实战漏洞挖掘经验；熟悉差分隐私或脱敏算法。\n\n岗位方向：AI模型与Infra安全\n部门：终端BG软件部,终端BG硬件工程与产品开发管理部,终端云服务部,终端云服务小艺业务部,智能汽车解决方案BU研发管理部,智能座舱领域,智能驾驶解决方案产品线,数据存储产品线,质量与流程IT部,无线网络产品线,公共开发部,云核心网产品线,计算产品线,数据通信产品线,光产品线,服务与软件研发管理部,基础软件院,上海海思研发部,无线终端芯片业务部,研发工程、IT装备与安全技术院,云软件研发部\n地点：北京/上海/东莞/杭州/南京/武汉/西安/成都/深圳/苏州/长沙/济南\n岗位职责\n1、模型鲁棒性与对齐： 评估大模型在面对对抗性样本（Adversarial Examples）时的稳定性，通过微调或对齐技术提升模型抗干扰能力。\n2、训练数据安全： 负责数据采集与预处理阶段的“投毒（Poisoning）”检测，防止攻击者在训练集中埋下后门或恶意逻辑。\n3、模型资产保护： 设计模型权重（Weights）的加密存储与访问控制方案，防止模型被盗取、非法反向工程或被恶意提取参数。\n4、Infra 与算力平台安全： 负责 AI 集群（K8s/容器）的安全加固，监控分布式训练环境下的横向移动风险，防止算力被盗用。\n5、供应链安全： 建立 AI 开源组件与预训练模型文件的安全扫描体系，防止加载包含恶意脚本的模型文件（如 Pickle 反序列化漏洞）。\n岗位要求\n1、 熟练掌握 Python/C++，深入理解 PyTorch 或 TensorFlow 的底层机制。\n2、 熟悉 Linux 系统安全、容器化技术（Docker/K8s）及云原生安全架构。\n3、具备较强的数学基础，了解对抗生成网络（GAN）、对抗攻击算法（如 FGSM, PGD）或联邦学习。\n4、加分项： 熟悉可信计算（TEE/SGX）在 AI 领域的应用；在 AI 安全相关顶会（如 USENIX, CCS, NeurIPS 等）有研究成果。\nAI应用安全\n1、Agent 攻防红队： 针对智能体系统进行“提示词攻击”测试（如直接/间接提示词注入、越权提权），挖掘 Agent 在自主决策路径上的漏洞。\n2、工具调用安全（Tool/Plugin Security）： 评估并设计 Agent 调用外部接口（API、数据库、Shell）时的安全校验机制，防止非法指令执行。\n3、RAG 与隐私保护： 负责检索增强生成（RAG）过程中的数据权限控制，确保 Agent 在多租户、多角色环境下不发生敏感信息越权泄露。\n4、防御组件研发： 开发与维护 AI 护栏（Guardrails）系统，对模型输入输出进行实时扫描、敏感词过滤及有害意图拦截。\n5、业务风险建模： 针对特定业务场景（如 AI 助手、自动化办公）进行威胁建模，制定 Agent 行为的安全基线。\n\nAI模型与Infra安全\n1、模型鲁棒性与对齐： 评估大模型在面对对抗性样本（Adversarial Examples）时的稳定性，通过微调或对齐技术提升模型抗干扰能力。\n2、训练数据安全： 负责数据采集与预处理阶段的“投毒（Poisoning）”检测，防止攻击者在训练集中埋下后门或恶意逻辑。\n3、模型资产保护： 设计模型权重（Weights）的加密存储与访问控制方案，防止模型被盗取、非法反向工程或被恶意提取参数。\n4、Infra 与算力平台安全： 负责 AI 集群（K8s/容器）的安全加固，监控分布式训练环境下的横向移动风险，防止算力被盗用。\n5、供应链安全： 建立 AI 开源组件与预训练模型文件的安全扫描体系，防止加载包含恶意脚本的模型文件（如 Pickle 反序列化漏洞）。\nAI应用安全\n1、编程基础： 熟练掌握 Python，熟悉 LangChain、LlamaIndex 或类似的 Agent 开发框架。\n2、AI 视野： 深入理解 LLM 的推理机制及 RAG 架构，熟悉 OWASP Top 10 for LLM 风险分类。\n3、安全背景： 熟悉常见的 Web 安全漏洞（如 SSRF、注入、权限逻辑漏洞），并能理解其在 AI 场景下的演变。\n4、加分项： 有过对主流 AI 应用（如 GPTs、大模型插件）的实战漏洞挖掘经验；熟悉差分隐私或脱敏算法。\n\nAI模型与Infra安全\n1、 熟练掌握 Python/C++，深入理解 PyTorch 或 TensorFlow 的底层机制。\n2、 熟悉 Linux 系统安全、容器化技术（Docker/K8s）及云原生安全架构。\n3、具备较强的数学基础，了解对抗生成网络（GAN）、对抗攻击算法（如 FGSM, PGD）或联邦学习。\n4、加分项： 熟悉可信计算（TEE/SGX）在 AI 领域的应用；在 AI 安全相关顶会（如 USENIX, CCS, NeurIPS 等）有研究成果。",
"standard_classification": {
"std_category_code": null,
"std_aux_codes": [],
"std_category_status": "多岗位拼接",
"std_taxonomy_version": "20261104"
}
}