运营商BU-NLP算法工程师-合肥

优缺点分析

角色解读

• 向大模型算法专家或技术Leader方向发展，深度参与核心模型研发
• 积累大模型落地经验后，可转型AI架构师或技术管理岗位
• 紧跟大模型技术浪潮，未来可进入更前沿的AI研究或创业领域
• 负责大模型的性能优化和工程化落地，通过Docker、FastAPI等工具提升模型部署效率
• 参与大模型训练、微调全流程，设计并优化数据配比方案以适配业务场景
• 跟踪业界前沿技术如RAG、Agent，并推动其在产品中的实际应用
• 扎实的算法基础和编程能力，熟练掌握Python及深度学习框架（如PyTorch）
• 熟悉大模型训练、微调、推理全流程，有实际工程落地经验
• 掌握Docker、Flask、FastAPI等部署工具，具备系统优化能力

申请策略

• 提前了解科大讯飞运营商BU的业务方向，思考大模型如何赋能通信领域
• 准备项目介绍时，突出技术难点和量化成果
• 突出大模型相关项目经验，特别是模型微调、训练或部署的实际案例
• 强调工程化能力，如Docker、FastAPI等工具的使用经验
• 如有国产化算力卡适配经验，务必单独列出
• 如果缺乏Lora或全量微调经验，可通过开源项目快速上手
• 学习RAG和Agent相关技术，阅读最新论文并动手实现

面试指南

• STAR法则：项目背景、任务、行动、结果，突出技术细节和量化指标
• 对比分析：不同技术方案的优劣，展示思考深度
• 学习路径：说明跟踪前沿技术的方法，如论文、开源代码、社区讨论
• 请详细描述你做过的一个大模型微调项目，包括数据构建和效果评估
• 在优化大模型推理性能时，你用过哪些策略？请举例
• RAG和Agent在你的项目中如何应用？谈谈优缺点
• 你如何选择微调方法（全量/Lora/prefix tuning）？依据是什么？
• 复习大模型基础：Transformer、注意力机制、训练技巧