AIOps高级运维大模型工程师-抖音服务架构（北京/深圳）

优缺点分析

角色解读

• 技术专家路线：深耕AIOps领域，成为在大模型与运维结合方面的权威专家，推动行业最佳实践
• 架构师路线：从单点工具开发走向整体智能运维平台架构设计，引领团队技术方向
• 管理路线（如具备潜力）：带领小团队负责特定AIOps产品线，从技术实现转向团队管理与项目规划
• 规划与落地大语言模型在运维（AIOps）领域的具体应用场景，如智能报警、故障应急等
• 构建和维护运维领域的专用知识库，为模型提供高质量的领域数据
• 针对具体运维问题对通用大模型进行微调和优化，并将其封装成可直接使用的产品或工具
• 精通Transformer、GPT等主流大语言模型原理，并拥有模型微调、部署和应用的实战经验
• 具备强大的数据处理与工程能力，能熟练处理海量、多类型的运维数据
• 深入理解SRE/运维工作流与痛点，能将AI技术与真实场景需求相结合

申请策略

• 申请前，可以自行调研一些知名的开源AIOps项目或公司案例，以便在面试中展现你的行业认知
• 在面试沟通中，主动将你的大模型技术经验与AIOps的具体场景（如你简历中的项目）联系起来，展现你的思考深度和应用能力
• 重点突出任何与“大模型应用落地”、“AIOps”、“智能运维”相关的项目经验，详细说明你解决了什么具体运维问题、采用了什么技术、取得了什么量化效果
• 在技能清单中明确列出对LLM（如GPT、LLaMA）、微调技术（LoRA等）、向量数据库、RAG框架的熟练掌握程度
• 如果具备SRE、运维或后端开发背景，务必在简历中强调，这能极大体现你对业务场景的理解深度
• 深入学习和实践检索增强生成（RAG）技术，这是当前构建领域专用知识问答系统的核心
• 研究并动手尝试使用LoRA、QLoRA等高效微调方法，在有限资源下对大模型进行领域适配
• 补充或巩固分布式系统、云原生技术栈（如Kubernetes）的相关知识，以便更好地理解运维环境

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化描述项目经历，重点突出技术选型、问题定义和效果量化
• 在回答技术问题时，展现系统化思维，从数据、模型、评估、工程部署等多个维度展开，例如提到评测体系的设计、AB测试、以及监控和迭代机制
• 结合对SRE工作的理解来回答，强调你的方案是如何真正解决运维痛点、提升效率或减少故障影响的
• 请描述一个你将大语言模型应用到具体业务场景中的项目，遇到了哪些挑战，是如何解决的？
• 如何评估和提升一个用于故障分析或报警降噪的模型的准确性与可靠性？
• 构建一个高质量的运维领域知识库，在数据收集、清洗和向量化过程中，需要考虑哪些关键问题？
• 如何平衡模型的通用性（如使用开源大模型）与运维领域的专用性（进行微调）？
• 复习大语言模型的基础知识，特别是与微调（Fine-tuning）、提示工程（Prompt Engineering）、RAG相关的概念和技术原理