AI 大模型全栈研发工程师

优缺点分析

角色解读

• 技术专家路线：在AI工程、大模型优化或智能体架构领域深耕，成为特定方向的技术专家或架构师
• 技术管理路线：积累项目经验后，可向技术团队负责人、项目经理或AI平台负责人方向发展
• 业务融合路线：深入理解电信行业与智算业务，成为连接前沿AI技术与具体业务场景的复合型解决方案专家
• 负责智算平台底层建设，包括GPU集群的部署、调度与运维优化，确保算力资源高效稳定
• 搭建数据与模型训练全流程，涵盖数据采集清洗、模型选型训练、评测优化和Prompt工程
• 设计并开发基于LLM的智能体应用，构建RAG知识库，实现复杂任务自动化和垂直场景落地
• 负责模型服务的工程化交付与监控，保障线上服务的性能与安全，并持续跟踪前沿技术进行迭代
• 深厚的算力与分布式系统知识：熟练掌握GPU集群管理、Kubernetes、Slurm及PyTorch分布式训练框架
• 全面的AI工程能力：覆盖数据处理、模型训练/微调、评测、部署全链路，熟悉主流大模型与Agent技术栈
• 扎实的软件工程基础：具备API开发、服务化部署、可观测体系建设及工程优化能力
• 持续学习与业务洞察力：能快速跟进LLM/Agent前沿技术，并将其与业务需求结合，解决实际问题

申请策略

• 了解中国电信的智算业务布局：研究天翼云、国盾量子等中国电信旗下与AI算力相关的子公司或部门，理解该岗位可能所属的业务单元及其方向
• 准备体现解决复杂工程问题的案例：面试很可能围绕如何优化GPU利用率、如何设计一个高可靠的Agent服务、如何处理训练数据质量等具体工程挑战展开，提前梳理思路
• 突出与JD高度匹配的项目经历：重点展示在GPU集群使用、分布式训练、模型微调、Agent/RAG开发等方面的任何实践经验，哪怕是课程项目或个人探索
• 强调全栈思维与工程能力：简历中体现从数据处理、模型训练到服务部署的完整链路思考，展示使用Kubernetes、Docker、API开发等工程化技能
• 展现学习能力与技术热情：通过竞赛、论文、开源贡献或技术博客，证明你对LLM、Agent等前沿领域的主动学习和实践能力
• 结合电信行业特点：如有相关经验或理解，可简要体现对运营商、云计算或企业级IT服务的认知，表明你对业务场景有思考
• 深化大模型全流程实践：系统学习并动手实践从数据清洗、指令微调（LoRA/SFT）、到使用vLLM/Triton部署的完整项目
• 专攻智能体框架与RAG：深入学习LangChain、LlamaIndex等框架，并实践构建一个包含知识库检索、工具调用和多步推理的Agent应用

面试指南

• 对于技术深度问题（如调度、Agent设计），采用“背景-挑战-方案-效果”的结构，重点阐述你的技术决策逻辑和权衡，而非仅仅罗列技术名词
• 对于场景设计问题，先理解核心目标，再从数据、模型、框架、工程、安全、监控等多个维度系统性地阐述你的方案，展现全链路思维
• 对于行业理解问题，结合JD中的具体场景（如智算设备诊断）和你对运营商优势（网络、数据、客户）的理解进行分析，体现业务洞察
• 请描述你使用Slurm或Kubernetes调度深度学习任务的经验，遇到过哪些挑战，如何优化调度效率？
• 如果让你为一个新业务场景设计一个基于LLM的智能体，你会如何设计其架构（包括任务规划、记忆、工具调用）？需要考虑哪些关键点？
• 在模型训练或部署中，你如何处理数据质量、评估模型效果（离线/在线）？请举例说明
• 你如何看待电信行业应用大模型的机遇与挑战？这个岗位可能面临哪些独特的业务需求？
• 系统梳理个人项目：准备1-2个最能体现你大模型全栈能力的项目，能够清晰讲解技术选型、实现细节、遇到的难点及解决方案