Researcher(LLM Applications)

优缺点分析

角色解读

• 技术专家路径：深耕AI在工业领域的应用，成为细分场景（如工业大模型、知识管理）的技术权威
• 技术管理路径：积累项目经验与团队协作能力后，可向AI团队负责人或技术总监方向发展
• 跨领域发展：凭借在工业AI的实战经验，可向数字化转型、产品AI策略等更广泛的领域拓展
• 负责基于大语言模型（LLM）的工业AI解决方案的研发与落地，将前沿AI技术应用于气体生产、工程和医疗等实体业务场景
• 主导LLM模型的微调与优化，以及检索增强生成（RAG）系统的设计、开发与部署，解决技术文档理解、工艺优化等具体问题
• 从原型开发、性能验证到工具交付，推动AI成果在业务部门的应用，并负责内部的知识传递和团队赋能
• 与IT、业务及内外部伙伴协作，进行数据获取、分析，并持续跟踪AI技术前沿，为团队引入新技术
• 精通LLM微调原理与实践，熟悉Llama、Qwen等主流开源模型
• 深入理解RAG架构，并拥有完整的RAG项目部署经验，能熟练使用相关框架
• 扎实的统计学和机器学习理论基础，能够理解和应用高级统计模型
• 精通Python和R编程，具备处理和分析数据的能力，并有良好的英语沟通协作能力

申请策略

• 在简历和面试中，着重体现你“从问题定义到解决方案部署”的全链路思考和实践能力
• 准备好讨论你如何将学术研究或通用AI技术适配到具体业务约束下的经历
• 研究液化空气集团的业务和其在数字化转型、AI方面的公开动态，以便在面试中展示你的诚意和思考
• 重点突出独立完成的LLM微调或RAG项目，详细说明技术选型、解决的业务问题及最终效果
• 清晰展示在统计学、机器学习方面的理论基础和应用案例，即使是学术项目也可体现
• 列举使用Python/R进行数据分析、模型开发的熟练程度，以及任何与工业、工程或医疗健康相关的项目经验
• 强调英语工作能力，如有跨国合作或使用英文产出（论文、报告）的经验可补充
• 深入学习1-2个主流开源LLM（如Llama、Qwen）的架构、微调技巧和优化方法，准备具体的实践案例

面试指南

• 对于项目类问题，采用STAR原则（情境、任务、行动、结果），重点阐述你的技术决策过程、遇到的挑战和解决方案
• 对于技术方案类问题，可以从数据质量、检索策略、生成模型选择、评估体系等维度展开，体现系统化思维
• 对于业务与技术结合的问题，要先强调对业务目标的理解，再说明技术手段如何服务于该目标，并考虑可维护性、扩展性等工程化因素
• 请描述一个你独立完成的LLM微调或RAG项目，从遇到的业务问题、技术方案设计到最终落地效果
• 在RAG系统中，当检索回来的文档信息存在矛盾或不相关时，你是如何处理以确保生成质量的？
• 你如何评估一个AI解决方案在工业场景中的有效性？有哪些关键指标？
• 当需要将一个研究性质的原型移交给业务团队进行工业部署时，你会考虑哪些关键因素来确保顺利过渡？
• 你如何保持对AI技术前沿（如Agent、多模态）的关注，并将其与团队当前的技术栈相结合？