混元大语言模型后训练算法工程师-垂域方向（北京/深圳/上海）

优缺点分析

角色解读

• 在腾讯混元团队积累大模型后训练与Agent核心技术，成为行业专家
• 可向技术Leader或架构师方向发展，负责更大规模的AI系统设计与团队管理
• 未来可转向独立负责垂域AI产品线，或进入创业公司担任核心技术成员
• 设计并实现面向金融、法务、医疗等专业领域的大模型智能体系统，基于Agentic RAG架构提升深度分析与实务处理能力
• 针对复杂任务，制定基于推理模型的任务拆解、多步规划与流程编排策略，实现跨文档归纳与决策支持
• 建立事实核查与结果校验机制，通过证据溯源和多源比对解决大模型幻觉问题，确保输出严谨可靠
• 探索推理类模型在专业Agent中的落地，优化思维链和强化学习策略，整合多工具协同能力
• 深入理解Transformer和LLM训练流程，熟悉RAG技术栈，掌握检索、上下文处理和多文档理解
• 具备Agent框架开发经验，能够组合搜索、数据分析、文档处理等工具形成工作流
• 熟练使用PyTorch等深度学习框架，了解分布式训练与推理优化
• 逻辑清晰，数据敏感，能从复杂业务场景抽象问题，推动技术落地

申请策略

• 关注腾讯混元大模型的技术博客和公开分享，在面试中展现对团队技术方向的深刻理解
• 提前准备过往项目中的技术难点和解决方案，用STAR法则清晰表达
• 突出在NLP、大模型或Agent相关项目的实际落地经验，尤其是RAG、推理类模型或强化学习应用
• 展示在复杂任务处理、多步规划或事实核查方面的技术成果，最好有量化指标
• 强调金融、医疗等垂域的项目背景或相关领域知识，体现跨学科能力
• 列出掌握的深度学习框架和分布式训练工具，如PyTorch、Megatron等
• 深入学习Agent框架（如LangChain、AutoGPT）和推理模型（如Chain-of-Thought、ReAct）
• 补充专业领域知识（如金融法规、医疗诊断流程），可阅读相关文献或参与开源项目

面试指南

• 使用STAR法则：描述背景、任务、行动和结果，突出技术细节和量化效果
• 先明确问题定义，再分析多种可能方案，最后给出权衡选择，展示系统性思维
• 结合实际案例，如果缺乏经验，可阐述理论设计思路，并表达快速学习的能力
• 请描述你过去使用RAG技术解决的具体问题，如何处理检索质量低的情况？
• 如何在多文档场景下设计一个Agent系统来完成跨文档归纳和决策支持？
• 针对金融领域，大模型容易出现哪些类型的幻觉？请设计一个事实核查机制
• 解释强化学习在LLM后训练中的应用，你如何设计奖励模型？
• 假设你需要将一个通用LLM适配到医疗诊断场景，请给出技术方案