PDSA产品解决方案架构师（J99770）

优缺点分析

角色解读

• 可以纵深发展为大模型架构专家，负责更大规模私有化部署和技术决策
• 横向拓展为行业解决方案负责人，涵盖政务、央企等行业的AI转型
• 未来可晋升为技术Leader或产品架构师，带领团队沉淀行业方案
• 主导客户私有化大模型项目的技术方案设计，包括算力选型、模型组合、推理框架等，并亲自进行POC验证和性能调优
• 作为技术接口人，与客户算法、平台、基础架构团队深度对接，解答技术选型问题（如vLLM vs SGLang、RAG召回优化等）
• 在政务、教育等赛道沉淀可复用的方案模板（以skill/prompt/MCP形式），确保同行业客户第二单复用率超60%
• 采用AI Native工作方式，使用Agent工具起草标书和方案，并能在客户现场使用Agent现场产出方案片段
• 精通大模型推理部署（vLLM/SGLang等），能独立优化吞吐、延迟和显存
• 熟悉微调（SFT/LoRA/RLHF）和RAG/Agent工程（向量库、Function Calling）
• 掌握至少一种GPU（NVIDIA或国产卡）的集群组网和容器化部署
• 熟练使用Agent工具（Dumate/Claude Code/Cursor）进行方案撰写和代码开发

申请策略

• 关注百度千帆的产品动态和行业案例，面试时能结合具体场景讨论
• 准备一个简洁的Agent辅助方案的演示，展示AI Native工作能力
• 突出大模型推理部署的实际项目经验，包括vLLM/SGLang调优案例和性能指标
• 详述RAG或Agent系统的完整搭建经历，包括向量库选型、召回率优化等
• 如果有使用Agent工具（如Cursor、Claude Code）进行方案或代码生产的经历，务必强调
• 展示与客户或跨团队技术沟通的成果，如成功签约或POC通过案例
• 熟记常见推理框架的配置和调优参数，练习from scratch搭建最小推理服务
• 动手实现一个端到端的RAG demo（包括向量库、检索、LLM生成），并尝试用Agent工具编写

面试指南

• 对于技术选型问题，先明确场景需求（吞吐、延迟、显存、成本），再对比各方案的优劣势，最后给出推荐
• 对于优化类问题，遵循“问题定位 → 指标量化 → 尝试方案 → 效果验证”的步骤，突出可落地的细节
• 现场实操环节，先快速理解任务目标，利用Agent生成框架，再手动调整关键参数，解释每一步逻辑
• 如何选择vLLM和SGLang？在什么场景下用哪个？
• 优化RAG召回率有哪些策略？
• 请现场用Cursor/Claude Code起草一份简单的私有化部署方案框架
• 在MoE模型推理时，如何降低显存占用？
• 客户要求使用国产卡（如昇腾），你会如何评估和选型？