大模型算法工程师（信产公司）

优缺点分析

角色解读

• 纵向可发展为资深大模型算法专家或首席科学家，主导核心算法架构设计
• 横向可向AI业务架构师或AI产品技术负责人转型，统筹大模型在垂直领域的商业化落地
• 负责大语言模型及多模态大模型的研发、训练与微调（SFT/RLHF/LoRA等），解决幻觉和输出不稳定等问题
• 对模型进行量化、剪枝、蒸馏等压缩与推理加速优化，提升部署性能
• 结合智能问答、Agent等场景设计算法方案，完成大模型与业务系统的对接落地
• 精通Python及PyTorch/TensorFlow框架，熟悉主流大模型（LLaMA/Qwen等）的训练与部署流程
• 掌握RAG、向量数据库及Agent开发技术，具备模型轻量化与推理加速的实战经验
• 熟悉Linux与Git，具备扎实的工程化落地能力，能独立排查和解决模型训练与推理异常

申请策略

• 提前了解公司在AI及大模型领域的战略布局（如星辰大模型），在面试中展现对公司业务的理解
• 重点突出大模型微调（SFT/RLHF/LoRA）及RAG、Agent开发的实际项目经验与业务收益
• 展示在模型压缩、推理加速、显存优化等方面的具体指标提升数据，证明工程落地能力
• 深入学习分布式训练框架（如DeepSpeed、Megatron）及主流推理加速引擎（如vLLM、TensorRT-LLM）
• 补充多模态大模型及复杂Agent编排（如LangChain、AutoGen）的实战经验

面试指南

• 采用STAR法则（情境、任务、行动、结果），重点突出技术选型的思考过程、遇到的具体Bug及排查思路、最终量化的性能提升指标
• 对于系统设计类问题，从业务需求出发，分层阐述架构设计（数据层、算法层、应用层），并说明权衡取舍（Trade-off）
• 请详细介绍你在大模型微调（如SFT或RLHF）中遇到的最大挑战及解决方案
• 针对大模型推理延迟和显存占用问题，你使用过哪些优化技术？效果如何？
• 如何设计一个基于RAG的知识库问答系统？如何解决检索召回率低或生成幻觉的问题？
• 在Agent智能体开发中，你是如何设计任务拆解和工具调用逻辑的？
• 复习大模型核心原理（Transformer、Attention机制）及主流微调算法的数学推导与代码实现
• 准备1-2个深度参与的大模型落地项目，梳理从数据清洗、模型训练到部署上线的全链路细节