大模型Agent算法工程师

优缺点分析

角色解读

• 纵向深耕：从算法工程师成长为 Agent/大模型方向技术专家或技术负责人，主导垂直领域模型体系
• 横向扩展：向工业智能、具身智能、智能控制等交叉方向发展，结合设备与产线场景做端到端方案
• 能力迁移：LLM 应用与 Agent 工程能力在制造业、互联网、智能硬件等行业通用性强，跳槽与转岗空间较大
• 围绕工程机械场景搭建大模型 Agent 智能化体系，从需求拆解到感知、理解、决策、执行、学习全链路方案设计与落地
• 对大模型做继续训练与微调（LoRA、P-Tuning、Prompt Engineering 等），让通用模型在垂直工业场景里答得准、用得住
• 开发智能体的任务规划、多轮对话、工具调用与多智能体协作模块，并封装成 RESTful API 后端服务支撑高并发交互
• 跟踪 LLM/Agent 前沿进展，做技术预研并把可行方案工程化，与业务、控制、硬件团队协同验证
• 扎实的 Python（或 Java）工程能力，编码规范良好，熟悉 Git 协作与接口设计
• 熟悉 PyTorch/TensorFlow 与 Transformer 架构，理解主流大模型的训练、微调与推理流程
• 掌握 LangChain/LangGraph/AutoGen/Dify 等 Agent 框架，有 Prompt Engineering 与工具调用实战经验
• 具备后端与通信基础：RESTful API、MQ/ROS 数据交互，理解高并发低延迟系统设计

申请策略

• 投递前了解中联重科的数字化转型与智能制造业务布局，在自我介绍中体现对工业场景的理解
• 准备一份可演示的项目 Demo 或 GitHub 链接，算法岗面试中作品比文字描述更有说服力
• 突出与 LLM 相关的项目：微调（LoRA/P-Tuning）、Prompt 设计、RAG 或 Agent 编排的完整链路与量化效果
• 写明 Agent 框架使用经验（LangChain/LangGraph/AutoGen/Dify）以及工具调用、多轮对话、任务规划的具体实现
• 展示工程能力：Python/Java 后端服务、RESTful API、并发与延迟优化、Git 协作记录
• 若有工程机械、智能制造、工业自动化相关课程、课题或实习，单独成段强调
• 论文、开源、竞赛获奖放在显眼位置
• 补齐 Agent 工程实践：动手实现一个可运行的多工具 Agent 服务，包含任务规划、记忆与工具注册

面试指南

• 项目类问题用 STAR：背景与目标 → 你的具体方案与选型理由 → 量化结果（指标、对比基线）→ 复盘与改进
• 技术原理类问题先给结论再展开：核心机制 → 关键公式或结构 → 工程上的取舍与坑
• 开放方案类问题先澄清场景与约束（数据、延迟、准确率），再分层给方案（数据/模型/Agent 编排/服务化），最后说明验证方式
• 介绍一下你做过的 LLM 微调项目：数据怎么构造、用了什么方法、效果如何评估？
• Agent 的任务规划与工具调用你是怎么设计的？多轮对话中如何做状态管理与错误恢复？
• 如何把大模型能力封装成高并发、低延迟的后端服务？你会怎么设计接口与限流？
• Transformer 的结构与注意力机制你如何理解？大模型继续训练和微调有什么区别？
• 如果要把大模型用在工程机械的故障诊断或操作辅助上，你会怎么设计技术方案？