金融科技-大模型算法专家

优缺点分析

角色解读

• 成为金融AI领域顶尖专家，主导行业级解决方案
• 晋升技术管理岗（如算法总监、技术负责人），带领更大团队
• 向通用AI方向拓展，如多模态、具身智能等前沿领域
• 主导大模型在金融场景（智能投顾、客服、搜索推荐等）的落地与迭代，解决关键技术瓶颈
• 带领团队设计Agent架构，包括Prompt、任务规划、记忆系统、工具调用等模块
• 持续跟踪大模型前沿技术（如推理加速、对齐技术），沉淀方法论并推动团队复用
• 深入理解智能体业务架构设计，熟悉Prompt模板化、多代理机制等
• 掌握LLM Function Calling、ReAct、MCP协议等Agent核心范式
• 熟悉主流大模型（Qwen、DeepSeek等）架构与训练原理，具备模型调优部署能力
• 熟练使用HuggingFace、DeepSpeed等工具，具备分布式训练经验

申请策略

• 展现技术视野与落地能力，面试时准备一个完整的项目案例，从问题定义到架构设计、效果评估
• 了解腾讯金融科技的业务方向（理财通、微粒贷等），思考如何用大模型赋能
• 重点突出大模型落地项目经验，特别是金融或复杂业务场景
• 详细描述Agent架构设计案例，如任务规划、工具调用等具体实现
• 展示对主流大模型（Qwen、DeepSeek等）的调优和部署经历
• 体现团队协作与技术领导力，如带领小组解决技术难题
• 补充金融领域知识（如投资理财、风控等），提升业务理解
• 深入学习分布式训练与推理优化技术（如vLLM、TensorRT）

面试指南

• 采用STAR法则：先描述场景与任务，再讲具体行动（技术选型、架构设计），最后量化成果
• 针对Agent设计问题，可从Prompt模板化、工具调用、记忆机制等维度展开，突出落地考量
• 对于前沿问题，结合自身项目经验，表达开放学习态度，展示对技术趋势的理解
• 如何设计一个金融客服Agent，兼顾准确性与效率？
• 讲一个你使用Function Calling解决实际问题的例子
• 大模型推理优化有哪些方法？在你们项目中如何实施的？
• 如何评估RAG系统中的检索质量？
• 你如何看待Agent的未来发展方向？