顶尖应届-工程优化工程师- 相机

优缺点分析

角色解读

• 从AI工程化开发起步，逐步成长为AI架构师或技术专家
• 深入工程效能领域，可转向DevOps或平台工程方向
• 在小米内部可横向转岗，如相机算法、系统架构等团队
• 研发智能分析系统，利用大模型和RAG技术自动分类和推荐问题解决方案
• 构建测试自动化中台，开发并行调度、资源管理和结果分析系统
• 设计AI代码审查引擎，实现代码规范检查、安全漏洞检测和自动修复
• 建立工程效能数据中台，全链路采集、存储、分析和可视化数据
• 精通Python或Java，熟悉Spring Boot或FastAPI等后端框架
• 掌握大模型应用开发，熟悉RAG、Agent等AI技术
• 了解CI/CD、自动化测试、代码审查等研发工具链
• 具备数据中台建设经验，熟悉数据采集、存储、分析和可视化技术栈

申请策略

• 关注小米相机团队的技术博客或开源项目，了解其技术栈和工程文化
• 在面试中展示对工程效能的热情和系统化解决问题的思路
• 突出AI工程化项目经历，特别是大模型应用（RAG、Agent）相关实践
• 展示后端开发能力，如Python/Java项目、框架使用和系统设计经验
• 强调自动化测试、CI/CD或数据中台相关项目，体现工程效能思维
• 提前熟悉RAG技术原理和常见框架（如LangChain、LlamaIndex）
• 补充Spring Boot或FastAPI的项目经验，最好有完整的后端服务开发经历
• 了解代码审查工具（如SonarQube）和自动化测试框架（如pytest、Selenium）

面试指南

• 对于技术问题，采用STAR法则描述情境、任务、行动、结果
• 对于系统设计问题，先明确需求边界，再分层拆解，最后考虑扩展性和容错
• 对于AI问题，从理论基础出发，结合实际项目经验，展示调优思路
• 请详细描述你参与过的一个大模型应用项目，包括技术选型和遇到的问题
• 如何设计一个支持高并发的测试自动化中台？
• 解释RAG技术的原理，以及如何优化检索效果？
• 在代码审查中，如何平衡自动检查规则和人工审查？
• 数据中台建设中有哪些常见的数据质量问题和解决方案？