微信小程序-大模型算法工程师-智能体方向

优缺点分析

角色解读

• 技术专家路线：深耕大模型与智能体方向，成为团队在特定领域（如RLHF、Agent规划）的技术权威
• 技术负责人路线：在成为领域专家后，可主导一个小型技术团队或项目模块，负责技术选型与团队指导
• 架构师路线：向更宏观的系统设计发展，负责设计整个小程序智能体平台的技术架构与演进路线
• 设计并执行SFT、RL等训练方案，针对性地优化大模型在智能体场景下的特定能力，如工具调用和对话理解
• 构建和维护一个全面的评估体系，用于客观量化和持续监控智能体在实际任务中的执行效果
• 跟进前沿学术论文和技术动态，并将其转化为可落地的创新解决方案，推动模型性能突破
• 精通SFT（监督微调）和RL（强化学习）的原理与实践，具备从模型训练到线上部署的全链路经验
• 对Transformer等大模型架构有深入理解，能洞察模型表现问题的底层原因并进行针对性调优
• 具备出色的逻辑分析与创新能力，能够将抽象的论文方法转化为解决具体业务问题的有效算法
• 熟练使用PyTorch或TensorFlow等深度学习框架，并有处理大规模数据和模型训练的工程经验

申请策略

• 在申请时或面试中，展现出你对微信小程序生态或腾讯AI技术路线的了解，表明你的兴趣并非仅限于通用技术
• 准备好讨论你对“智能体评估”的见解，例如你认为哪些指标是关键的，以及如何设计公平的评测环境
• 重点突出参与过的大模型训练项目（尤其是SFT/RL方向），说明你负责的具体模块和带来的性能提升指标
• 详细描述你建立或参与过的模型评估体系，说明评估维度、方法和对模型迭代的指导作用
• 列出你熟悉并深入使用过的深度学习框架（如PyTorch）及相关工具链，并举例说明解决过的复杂工程问题
• 如有，可附上个人技术博客、GitHub上的相关项目或在顶会/顶刊上发表的相关论文链接
• 系统复习和深化强化学习（RLHF, PPO等）的理论知识，并尝试在开源大模型上进行复现实验
• 深入研究至少2-3篇关于“LLM Agent”或“Tool-use LLM”的最新论文，并思考其与岗位需求的结合点

面试指南

• 对于技术实践问题：采用STAR法则，清晰阐述背景(S)、任务(T)、行动(A)和最终量化的结果(R)
• 对于系统设计问题：从目标出发，分层次阐述（核心指标、数据来源、评估方法、迭代机制），并说明设计取舍
• 对于开放探索问题：先表明思路方向，再结合具体的技术原理（如某篇论文的方法）进行展开，体现思考深度
• 请详细描述一个你使用SFT或RL优化大模型的具体案例
• 你遇到了什么主要挑战？如何解决的？
• 如何为微信小程序这样的场景设计一个智能体的评估体系？你会考虑哪些维度和指标？
• 如果让你为小程序智能体引入一个全新的工具调用能力，你会如何设计训练数据和训练策略？
• 对于提升大模型在对话理解上的表现，除了SFT和RL，你还能想到哪些潜在的技术路径？