大模型应用工程师（代码智能方向）-TRAE

优缺点分析

角色解读

• 技术深耕：成为大模型应用和AI Coding领域的专家，主导关键策略和架构设计
• 跨界发展：向算法或产品方向延伸，参与模型训练或产品定义
• 管理方向：带领小团队负责独立模块，逐步晋升为技术Leader
• 负责TRAE产品中豆包模型的策略工程开发，将模型和策略设计转化为线上服务
• 构建业务指标模型和离线数据分析框架，通过实验设计指导策略迭代
• 优化大模型在编程场景下的表现，通过Prompt调优和Pipeline设计提升准确率和用户体验
• 研发离线训练评测框架，确保训练与推理环境一致，支撑模型持续迭代
• 扎实的编程能力：精通Golang和Python，熟悉数据结构和算法
• 大模型工程经验：熟悉Prompt调优、模型使用机制，能进行工程适配
• 服务端全栈能力：掌握监控、部署、运维等工程实践
• 加分项：大数据处理与LLM结合经验，了解精调、强化学习、推理优化

申请策略

• 认真研究TRAE产品，面试中能提出具体的优化想法或见解
• 关注字节跳动的招聘公众号或内推渠道，提高简历被看到的概率
• 突出大模型相关项目经验，如Prompt工程、模型API调用、推理优化等
• 强调Golang/Python服务端开发能力，展示监控、部署等工程细节
• 如有大数据处理或模型训练经验，务必放在醒目位置
• 体现对AI Coding领域的热情，可附加相关开源贡献或技术博客
• 深入学习Prompt Tuning和LLM推理优化技术
• 补充大数据分析工具（Spark、Flink等）和机器学习框架（PyTorch）的基础

面试指南

• STAR法则：情境-任务-行动-结果，结合具体项目说明
• 分层思考：从模型层、策略层、工程层分别阐述优化思路
• 数据驱动：强调用指标和实验来验证方案有效性
• 请讲述一个你用Prompt调优优化LLM输出的案例
• 如何设计一个实验来验证策略迭代对业务指标的影响？
• Golang和Python在后端服务中如何配合使用？你如何设计一个高并发服务？
• 你如何理解LLM在代码生成中的局限性？如何通过工程手段缓解？
• 给你一个提升代码生成准确率的目标，你会从哪些方面入手？