游戏AI算法工程师（LLM落地方向）

优缺点分析

角色解读

• 技术方向：从算法工程师成长为LLM专家或AI技术负责人
• 业务方向：深入理解游戏AI，转型为AI产品负责人或技术总监
• 学术方向：参与顶会论文发表，成为领域内知名专家
• 负责将大语言模型应用于游戏内容生成、智能NPC等场景，研发垂直领域的LLMs
• 主导Post-training流程，包括模型选型、数据清洗、微调与评估
• 与产品、策划、后端协作，将LLM能力集成到游戏系统中，实现工程化部署
• 跟踪前沿技术，持续优化模型效果和性能
• 扎实的NLP/CV算法基础，熟悉Transformer架构及主流LLM（如Qwen、Claude）
• 掌握监督微调、偏好训练等技术，能独立构建训练数据 pipeline
• 熟练使用Python及至少一种深度学习框架（PyTorch/TensorFlow）
• 良好的工程能力，能够将模型部署到生产环境

申请策略

• 在简历中量化项目成果，如模型性能提升百分比
• 准备一个LLM在游戏场景的实战案例，展示思考过程
• 突出与LLM相关的项目经验，如训练、微调或应用开发
• 展示NLP/CV技术深度，包括发表的论文或开源贡献
• 强调游戏或智能交互相关项目，体现业务理解能力
• 补充Post-training、RLHF等实操经验
• 熟悉主流开源LLM（如Qwen、Llama）的使用和训练流程
• 学习游戏AI基本知识，了解智能NPC设计模式

面试指南

• 评估效果需结合离线指标（如BLEU、准确率）和在线指标（用户满意度、留存率），并建立自动化评估集
• Post-training流程包括数据收集、清洗、微调、评估，挑战常在于数据质量和不一致性，可通过多次迭代和人类反馈优化
• 构建训练数据需先定义任务，再从游戏日志/知识库中提取，辅以数据增强和人工标注
• 如何评估LLM在游戏NPC对话中的效果？
• 描述一次你参与LLM Post-training的经历，遇到哪些挑战？
• 如何为大模型构建高质量的训练数据？
• 在游戏场景中，LLM实时交互的延迟问题如何解决？
• 你如何跟上LLM领域的最新进展？