大模型算法工程师-AI Coding（北京/上海/杭州/深圳）

优缺点分析

角色解读

• 技术深耕：成为大模型算法专家，主导核心模型研发与创新
• 技术管理：从IC向技术Leader发展，带领团队探索前沿技术
• 全栈转型：结合工程化经验，转向AI系统架构或技术产品经理
• 负责研发提效场景的大模型能力，包括数据挖掘、模型训练与优化，以及Agent设计
• 研究高质量数据的自动合成和清洗，设计代码场景的评测方法
• 将大模型技术落地到IDE代码补全、漏洞检测等实际产品中，推动工程化应用
• 扎实的编程能力（Python/C++等）和算法功底，竞赛获奖者优先
• 深入理解NLP、CV、大模型技术栈（如强化学习、SFT、蒸馏等）
• 有大模型项目或顶会论文经验，熟悉代码基座、Agent、Tool-Use等方向

申请策略

• 在简历中附上GitHub链接或技术博客，展示代码能力和技术思考
• 面试前了解字节跳动在AI Coding方向的产品（如豆包、MarsCode），提前准备相关问题
• 突出大模型项目经验，尤其是强化学习（RLHF/PPO/DPO）、微调、数据合成等方向的实际案例
• 强调竞赛获奖（ACM/ICPC等）或顶会论文（ACL/CVPR等），证明算法和科研能力
• 展示代码基座、Agent、Multi-Agent、Tool-Use等具体落地经验
• 深入理解GRPO/PPO/DPO等强化学习算法，并尝试复现最新论文
• 学习代码生成领域的前沿技术，如Code Llama、StarCoder等模型的应用
• 提升工程能力，熟悉云平台（如火山引擎）和分布式训练框架

面试指南

• STAR法则（Situation-Task-Action-Result）：结构化描述项目经历，突出个人贡献和技术深度
• First Principles Thinking：从基本原理出发，推导解决方案，展示逻辑和创新能力
• W1H（Why-What-Where-When-Who-How）：全面分析问题，体现系统思维
• 请详细介绍你参与的大模型项目，包括数据、模型、训练策略和效果
• 如何设计一个针对代码补全任务的评测数据集？
• 解释PPO算法的原理，在代码生成场景中如何应用？
• 你如何处理大模型训练中的过拟合和灾难性遗忘问题？
• 请描述一个你解决过的复杂技术问题，思路和步骤是什么？