游戏 AI 智能体算法工程师-小游戏/休闲游戏方向

优缺点分析

角色解读

• 在游戏 AI 领域深耕，从算法工程师成长为技术专家，主导复杂智能体系统的架构设计
• 横向拓展至大模型、多模态等前沿技术，在腾讯内部可转向 AI 平台或基础研究团队
• 纵向晋升为技术管理岗，带领团队负责游戏 AI 方向的整体规划与落地
• 负责小游戏/休闲游戏场景下 AI Bot 与 AI 智能体的算法研发，并落地到真实对局，提升游戏体验
• 基于大模型、多模态与强化学习技术，研发通用游戏智能体架构，实现拟人化的陪玩机器人、对战对手与 NPC 行为，支持难度分级与风格多样化
• 针对小游戏低延迟、端侧资源受限的特点，推进模型轻量化与低时延推理优化，并搭建对局数据合成、仿真环境及 Bot 能力评测体系
• 与策划、客户端、引擎团队协作，完成 Bot 从方案设计到上线的全流程，并持续迭代优化
• 精通 Python，熟练使用 PyTorch 等深度学习框架，具备扎实的工程落地能力
• 深入理解强化学习（PPO、DQN 等）或大模型推理/对齐技术，有实际训练与调优经验
• 具备游戏 AI Bot/智能体的算法设计与工程实现能力，熟悉 Bot 决策架构（行为树、GOAP、蒙特卡洛树搜索等）
• 熟悉 LLM/多模态 Agent 技术栈者优先

申请策略

• 关注腾讯游戏 AI 方向的技术博客或开源项目，了解团队技术栈
• 在面试中展示对游戏 AI 的热情和对小游戏场景的理解
• 突出游戏 AI Bot 或智能体相关的项目经验，尤其是实际落地到对局的案例
• 强调强化学习（PPO、DQN）或大模型训练/调优的实践经验，展示具体成果
• 展示 Python 和 PyTorch 的熟练度，以及工程化能力（如模型部署、性能优化）
• 如有 LLM/多模态 Agent 相关经验，务必重点提及
• 补充学习 LLM 推理优化技术（如量化、蒸馏）和端侧部署方案
• 熟悉游戏 AI 常用决策架构（行为树、GOAP、MCTS），并动手实现小项目

面试指南

• 使用 STAR 法则（情境、任务、行动、结果）清晰描述项目经历，突出个人贡献和量化成果
• 对于技术方案类问题，先明确目标，再分步骤阐述设计思路，最后提及权衡和优化
• 对于算法原理问题，结合具体应用场景解释，展示深入理解
• 请介绍一个你参与的游戏 AI 或智能体项目，具体负责哪些部分？
• 如何设计一个拟人化的陪玩机器人？请描述技术方案
• 在端侧资源受限的情况下，如何优化模型推理性能？
• 你如何评估 Bot 的能力？请设计一个评测体系
• 请解释 PPO 算法的核心思想，并说明在实际训练中可能遇到的问题