AI大数据研发-广西技术服务公司

优缺点分析

角色解读

• 纵向可沿AI算法/大模型应用工程方向深耕，逐步成长为智能体架构师或算法专家
• 横向可结合电信的云计算、大数据业务，转向AI平台建设、行业解决方案设计等复合岗位
• 校招进入后通常有技术序列晋升通道，凭借项目落地成果积累晋升资本
• 参与移动互联网、云计算、人工智能、大数据、物联网等产品线的技术研发，属于偏应用落地的AI研发岗
• 日常会围绕大语言模型应用展开，包括Agent流程设计、Prompt调优、意图识别与Function Calling等模块开发
• 同时需要基于LangChain、LangGraph、Dify等框架与向量数据库搭建RAG链路，把模型能力接入具体业务系统
• 扎实的机器学习与深度学习理论功底，能讲清CNN、Transformer、ViT的结构与数学原理
• 熟练的工程编码能力与工程化思维，能把模型与框架真正跑通、跑稳
• 熟悉LLM原理与主流Agent架构，掌握Prompt Engineering、Memory、意图识别等模块
• 具备RAG全链路开发经验，熟悉主流Agent框架与向量数据库的使用与调优

申请策略

• 投递前了解中国电信在广西的数字化业务布局与“云改数转”方向，面试时能结合业务谈技术落地
• 留意校招节奏与笔试环节，运营商通常有统一笔试，需提前准备行测与专业知识
• 突出与大模型应用相关的项目经历，如Agent流程搭建、RAG知识库问答系统的完整实现与效果数据
• 写明使用过的框架与工具，如LangChain、LangGraph、Dify、向量数据库（Milvus/Faiss等）及具体承担的模块
• 展示深度学习基础，例如基于Transformer/ViT的模型训练或微调实践及指标提升
• 补充工程能力证据，如代码仓库、部署经验、性能优化或并发处理的实践
• 系统梳理Transformer、ViT的数学推导与实现细节，确保能讲清Attention、位置编码等关键机制
• 动手搭建一个端到端RAG+Agent小项目，覆盖文档切分、向量召回、重排、Function Calling与Memory管理

面试指南

• 理论题按“原理—公式/结构—优缺点—适用场景”四步作答，先讲清机制再谈工程权衡，避免只背结论
• 系统设计题用“需求澄清—整体架构—模块拆解—优化与评估”的框架，主动说明指标与取舍
• 项目题采用STAR结构，重点讲清你的具体贡献、技术选型理由与量化结果
• 请解释Transformer中自注意力机制的计算过程，以及它相比CNN的优势与代价？
• ViT是如何把图像转成序列输入的？与CNN在归纳偏置上有何差异？
• 如果让你设计一个企业知识库的RAG问答系统，你会如何划分链路，各环节怎么优化召回与准确率？
• Agent中的Function Calling与Memory模块分别解决什么问题？你会如何设计多轮对话中的记忆管理？
• 讲一个你实际做过的模型或AI应用项目，遇到的最大技术难点是什么，如何解决的？