Agent算法实习生（J97505）

优缺点分析

角色解读

• 从实习转正为正式算法工程师，深入参与核心AI项目，积累工业级经验
• 未来可向高级算法研究员、决策系统架构师等方向发展
• 如持续深耕Agent领域，可成为专家，引领公司内决策智能方向
• 研发自进化决策Agent系统，针对复杂工业问题进行算法建模与系统实现
• 设计多阶段决策闭环，尝试Self-Refine、Multi-Agent等前沿机制
• 研究强化学习、进化算法在严肃场景的落地，辅助搭建决策型Agent框架
• 优化算法在真实业务数据下的效果，处理强约束、多目标问题
• 扎实的Python工程能力，能够独立完成算法实现与系统集成
• 至少精通强化学习、进化算法或LLM Agent框架中的一个方向
• 对决策智能和复杂系统优化有深入理解，具备系统性思考能力
• 有科研或竞赛经历者更佳，能快速学习并应用前沿技术

申请策略

• 提前了解百度在AI领域的业务方向（如智能云、自动驾驶），在面试中展现对工业场景的理解
• 准备一个完整的项目案例，说明从问题定义到系统实现的全过程
• 突出强化学习、进化算法或LLM Agent相关项目经验，展示系统实现能力
• 强调Python工程能力，附上GitHub链接或完整项目说明
• 提及科研论文、竞赛获奖或开源贡献，体现自驱力与创新力
• 深入学习强化学习（如PPO、DQN）和进化算法（如遗传算法）
• 掌握LLM Agent框架（如LangChain、AutoGPT），动手实现简单Agent
• 练习组合优化问题的建模与求解（如使用OR-Tools）

面试指南

• STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，清晰展示项目全貌
• 对比不同方法的优缺点，结合问题特性选择或设计算法，体现系统性思考
• 如果被问及未接触过的技术，可以先承认，然后展示快速学习思路
• 请描述一个你使用强化学习解决实际问题的经历？
• Self-Refine和Multi-Agent协作在决策中如何工作？举例说明
• 如何在一个强约束、多目标的优化问题中平衡各目标？
• 你如何评估一个决策Agent的性能？设计评估指标
• 请用Python实现一个简单的进化算法（如遗传算法）来解决一个组合优化问题