大模型算法工程师-cpyf

优缺点分析

角色解读

• 在技术深度上，可向大模型推理优化专家或AI架构师方向发展，成为团队的技术核心
• 在业务广度上，可逐步深入公司核心业务，成为AI应用解决方案专家，推动更多业务场景的智能化落地
• 在管理路径上，随着经验积累，可晋升为技术团队负责人或项目经理，带领团队完成大型AI项目
• 负责大语言模型及多模态模型的推理性能优化，包括量化、剪枝、蒸馏等技术的应用，提升GPU/NPU上的推理效率并降低部署成本
• 基于LangChain、LangGraph等框架开发AI智能体，实现复杂推理、规划、工具调用及多Agent协作流程的设计与实现
• 优化RAG系统全链路，包括文档切分、Embedding模型选型与微调、向量检索及重排序，解决模型幻觉与知识时效性问题
• 将大模型能力与公司业务场景结合，设计并实现AI原生应用，并协同后端团队完成高可用API服务的工程化交付
• 扎实的Python编程基础，熟悉FastAPI等Web框架，具备良好的代码规范
• 深入理解LLM原理，熟悉HuggingFace、OpenAI API生态，掌握LangChain、LlamaIndex、LangGraph等至少一种主流Agent开发框架
• 具备RAG系统开发经验，熟悉向量数据库（Milvus、Chroma、Elasticsearch等）及Embedding模型
• 具备较强的逻辑思维与问题解决能力，能够将复杂业务需求转化为可执行的技术方案

申请策略

• 在申请前，了解中国电信在AI领域的最新布局和业务方向，以便在面试中展现对公司的了解和兴趣
• 准备一个完整的项目案例，从需求分析、技术选型、实现到部署，展示你的技术全链路能力
• 重点突出大模型相关项目经验，包括RAG系统开发、Agent构建、模型优化等，并量化项目成果（如推理速度提升、成本降低等）
• 强调Python编程能力，特别是FastAPI等Web框架的使用经验，以及全栈开发能力
• 展示对LangChain、LangGraph等框架的熟练程度，以及向量数据库、Embedding模型的实际应用经验
• 如有开源项目贡献或高质量GitHub项目，务必在简历中突出展示，这是重要的加分项
• 系统学习大模型推理优化技术，如量化、剪枝、蒸馏，并尝试在GPU/NPU上进行实践
• 深入研究LangChain、LangGraph等Agent框架，了解其内部机制，并尝试构建一个完整的Agent应用

面试指南

• 回答问题时，建议采用'背景-行动-结果'的STAR法则，清晰描述项目背景、你采取的具体行动以及最终取得的量化成果
• 对于技术方案类问题，先阐述基本原理，再结合项目经验说明具体实现和优化过程，最后总结遇到的挑战和解决方案
• 请详细描述你之前做过的一个RAG系统项目，包括技术选型、遇到的挑战和解决方案
• 如何评估和优化大模型在GPU上的推理性能？请举例说明你使用过的量化或剪枝技术
• LangChain和LangGraph在构建Agent时有何区别？你如何设计一个多Agent协作流程？
• 如何解决大模型的幻觉问题？在RAG系统中，你会采用哪些策略来提升回答的准确性？
• 请谈谈你对大模型技术未来发展趋势的看法，以及如何保持技术领先
• 复习大模型基础知识，包括Transformer架构、注意力机制、模型量化原理等