算法研发工程师（丰都）

优缺点分析

角色解读

• 技术深耕：专注于AI算法研发，成为特定领域（如NLP、CV、推荐系统）的算法专家或架构师
• 技术管理：凭借项目交付和技术方案能力，向技术经理、技术总监等管理岗位发展
• 业务专家：深入理解行业数字化转型场景，可向解决方案架构师、AI产品经理等方向转型
• 进行机器学习、深度学习及大模型的算法研发、训练和调优，解决核心业务问题
• 负责数据流处理、数据管道搭建及数据清洗工作，保障算法模型的数据基础
• 完成算法模型的工程化部署，构建API服务，并参与系统开发和MLOps流程建设
• 深入理解并对接业务部门的数字化转型需求，设计并交付AI技术解决方案
• 扎实的机器学习/深度学习理论基础，熟练使用Python及PyTorch/TensorFlow框架，并了解主流大模型技术栈
• 熟悉大数据生态，如Flink、Spark等，并能将其应用于实时数据处理场景
• 具备全栈开发视野，掌握前后端开发语言（如Java/Vue/React），了解微服务与容器化部署
• 良好的工程化能力、问题排查能力以及将技术方案转化为业务价值的沟通协作能力

申请策略

• 面试前深入了解中国电信在数字化转型和AI应用方面的战略方向和实际案例，体现你的业务理解意愿
• 准备阐述你如何平衡技术先进性与业务落地可行性的思考，这是该岗位的核心挑战之一
• 突出使用Python、PyTorch/TensorFlow进行机器学习/深度学习项目的经验，最好有大模型相关（Prompt/RAG）实践
• 列举与大数据组件（特别是Flink）结合的数据处理或流计算项目经验
• 展示软件开发全流程经验，包括前后端技术（Java/Vue/React）、API服务开发、容器化部署（Docker/K8s）等
• 描述参与过的完整项目，强调从需求分析、技术方案设计到开发交付的整个过程和成果
• 深入学习大模型技术栈，如Prompt Engineering、RAG架构和微调技术，这是当前AI领域的热点和JD明确要求
• 实践Flink等实时计算框架，或补充Docker/K8s的实践知识，增强工程化部署能力

面试指南

• 对于技术项目问题，采用“背景-目标-挑战-解决方案-结果”的STAR法则清晰陈述
• 对于系统设计或方案类问题，先梳理整体架构，再分模块说明核心组件、技术选型和数据流
• 对于排查和沟通类问题，展现你的逻辑分析步骤、工具使用经验和沟通协作方法
• 请介绍一个你使用深度学习框架（如PyTorch）解决实际问题的项目，遇到了哪些技术难点？
• 你如何理解并实现一个基于RAG的问答系统？请描述你的技术方案
• 如果一个模型在线上服务中响应缓慢，你会如何分析和排查可能的原因？
• 请描述你使用Flink处理实时数据流的一个场景，你做了哪些优化？
• 当业务部门提出一个模糊的AI需求时，你通常如何与他们沟通并将其转化为可行的技术方案？