大模型算法交付工程师（行业模型方向）

优缺点分析

角色解读

• 纵向深耕：成为大模型行业应用架构师或首席算法专家，主导复杂商业场景的模型定制
• 横向拓展：转向 AI 产品经理或技术负责人，统筹智能体平台的商业化落地与团队管理
• 学术/专利路线：依托高频技术输出，积累行业专利与高水平论文，建立领域技术影响力
• 基于大模型为行业客户设计、构建并交付智能体解决方案，完成知识库与工作流搭建
• 深入客户一线协同交付团队，从真实业务场景中定义问题并以业务指标验证模型效果
• 开展主流开源模型的指令微调与强化学习，持续优化模型在垂直行业的表现
• 搭建行业评测体系，将技术方案沉淀为腾讯云可复用的产品能力
• 掌握 Transformer 架构与大模型训练原理，熟悉 SFT、LoRA、DPO、RLHF 等后训练技术
• 熟练使用 Python 和 PyTorch，具备大模型训练、微调或科研项目的实操经验
• 能够快速阅读顶会论文并动手复现，具备较强的工程落地与问题解决能力
• 具备业务敏感度，能将客户需求转化为可量化的技术优化目标

申请策略

• 提前调研腾讯云智能体产品线及近期发布的行业解决方案，面试时能结合具体案例提出优化思路
• 准备 1-2 个完整的端到端项目复盘，重点说明业务痛点、技术选型权衡、踩坑记录与最终收益
• 突出大模型微调/训练的项目经历，详细写明使用的数据集规模、基座模型、微调方法及最终业务/评测指标提升
• 强调工程落地能力，展示如何将实验性模型部署到生产环境，解决延迟、并发或数据对齐等问题
• 补充跨部门协作或客户对接经验，体现将模糊业务需求转化为清晰技术方案的闭环能力
• 列出已发表的论文、开源贡献或技术博客，证明快速学习与知识沉淀习惯
• 系统梳理 SFT、LoRA、DPO 等后训练方法的底层原理与代码实现，能手写关键模块
• 熟悉 LangChain、LlamaIndex 等智能体开发框架，掌握工具调用与知识库检索增强技术

面试指南

• STAR 法则结构化表达：背景(Situation)-任务(Task)-行动(Action)-结果(Result)，重点突出技术决策依据与量化产出
• 业务-技术双轮驱动思路：先明确客户核心指标与约束条件，再匹配合适的数据 pipeline 与模型架构，最后通过 A/B 测试验证
• 分层排查法：从数据质量、推理框架、显存管理、网络通信到模型结构逐层定位瓶颈，给出针对性优化方案
• 请详细介绍你参与过的大模型微调项目，包括数据清洗策略、超参数设置及效果评估方式
• 面对客户提出的模糊业务需求，你如何将其拆解为可量化、可落地的算法任务？
• SFT 与 RLHF 在实际训练中容易遇到哪些稳定性问题？你是如何调试和解决的？
• 如何设计一套兼顾公平性与业务导向的行业模型评测体系？
• 如果线上智能体响应延迟过高，你会从哪些维度进行性能排查与优化？