小米
算法实习生
算法实习生
发布于 大约 15 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
硕士
实习与临时职位
Ai Agent
Autogen
Llamaindex
Llm
Prompt Engineering
Rag
向量数据库
大语言模型
AI 估算 · 4k–7k
实习岗薪资通常按日或月计，小米为上市大厂，北京实习月薪约4000-7000元，综合技术门槛较高，给予中等偏上估算。
职位详情
关于这个职位
该算法实习生岗位专注于大语言模型（LLM）与AI Agent在汽车业务场景的技术预研与落地，涉及智能解析、异常排查和供应链决策等
你将参与构建Agent自动化方案、优化工具调用和评测体系，实习经历对积累前沿AI技术在制造业的应用经验非常有价值
最低要求
计算机科学、人工智能、数据科学、软件工程、数学、汽车工程等相关专业，硕士及以上学历
熟练掌握 Python 编程语言，具备扎实的数据结构与算法基础，能够编写高质量的工程代码
深入理解大语言模型基础理论，熟练掌握 Prompt Engineering，熟悉 Few-shot、CoT（思维链）等常见模型效果优化方法
熟悉至少一种主流的 LLM/Agent 开发框架或编排工具（如 LangChain、LlamaIndex、AutoGen 等），了解 RAG（检索增强生成）技术链路、向量数据库及复杂 Agent 架构设计
了解模型或应用的评测与追踪机制，有使用相关 Trace 框架（如 Langfuse, LangSmith 等）经验者尤佳
优秀的沟通能力和表达能力，有创新精神，逻辑思维严密，乐于接受挑战
工作职责
辅助完成大语言模型（LLM）及 AI Agent 在汽车研发、生产制造、供应链等核心业务场景的技术预研与项目落地
参与构建基于 Agent 的业务流自动化方案（如研发标准文档的智能解析与知识库问答、生产异常的智能排查辅助、供应链决策等），优化 Agent 的 Tool-calling 能力、工作流编排（Orchestration）与意图识别逻辑
参与大模型应用评测体系的搭建，针对具体汽车业务场景（如汽车工程规范、安全报告解析）构建评估集，进行准确率、召回率等核心指标的计算与跟踪，持续迭代并优化大模型应用效果
优先资格
具有以下条件之一者优先：
有实际的 LLM、Agent 落地项目经验，或在相关 AI 开源社区有贡献者优先
了解汽车行业背景（如了解汽车研发流程、ISO 26262/功能安全标准、UDS 协议或智造供应链）者优先
一周至少工作4天，能连续实习3个月以上者优先
AI 洞察
优缺点分析
优点
- 大厂实习平台，接触前沿大模型与Agent技术在汽车行业的实际应用，技术含金量高
- 团队氛围好，可参与完整项目开发，积累从研发到评测的端到端经验
- 北京地区实习薪资具有竞争力，且大厂实习经历对后续求职加分显著
- 涉及汽车行业专业知识，可能需要额外学习了解汽车研发流程等背景
- 实习期至少3个月且每周4天，时间投入较大
- 适合对LLM和AI Agent有浓厚兴趣、具备较强编程和算法基础，希望在大厂积累前沿AI应用经验的硕士及以上在校生
缺点 / 挑战
- 对LLM和Agent相关技术栈要求较高，需要较强的自学能力和快速上手能力
角色解读
- 积累大模型与AI Agent在工业场景的落地经验，可向AI工程师、算法工程师方向发展
- 深入了解汽车行业智能化应用，未来可成为AI+制造业的复合型人才
- 表现优秀有机会转正或获得大厂正式岗位推荐，职业起点高
- 协助完成大模型与AI Agent在汽车研发、制造、供应链等场景的技术预研和实际项目落地
- 参与构建基于Agent的业务流程自动化方案，优化工具调用、工作流编排和意图识别
- 搭建大模型应用评测体系，针对汽车业务场景构建评估集，跟踪准确率、召回率等指标
- 扎实的Python编程能力与数据结构算法基础，能编写高质量的工程代码
- 深入理解大语言模型理论，熟练掌握Prompt Engineering及Few-shot、CoT等优化方法
- 熟悉LangChain、LlamaIndex等主流LLM/Agent开发框架，了解RAG技术和向量数据库
申请策略
- 在简历中强调对LLM和Agent的热情，可附上个人博客或GitHub链接
- 关注小米汽车业务动态，面试时展现对智能汽车行业的理解和兴趣
- 突出大模型或Agent相关项目经验，如基于LangChain的问答系统、RAG应用等
- 展示Python编程能力，尤其是高质量代码编写和数据结构算法题解
- 如有开源贡献或论文，务必列出，体现技术深度和主动性
- 深入学习LangChain、LlamaIndex等框架，动手搭建一个简单的Agent demo
- 了解汽车行业基础概念，如ISO 26262、UDS协议等，增加行业匹配度
面试指南
- 项目介绍使用STAR法则：情境、任务、行动、结果，重点突出技术难点和你的贡献
- 对于评估问题，先定义指标含义，再说明构建评估集的方法和迭代优化过程
- 回答Prompt Engineering时，结合实际例子说明不同方法的效果差异
- 请介绍一个你使用LangChain或类似框架构建的Agent项目
- 如何评估一个LLM应用的效果？请举例说明准确率和召回率的计算
- Prompt Engineering中Few-shot和CoT分别适用于什么场景？
- 请解释RAG技术链路的主要步骤及向量数据库的作用
- 你对汽车行业有哪些了解？如何将AI技术应用于汽车研发或生产？
职位点评
60
综合评分
大厂实习，前沿LLM+Agent技术，技术成长快，但需每周4天到岗，WLB一般。
更适合这类人
适合追求技术成长和前沿应用实践、能接受较高工作投入时间和通勤压力的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利45
成长发展95
工作生活30
使命价值70
薪资福利
45较低
实习薪资处于市场中等偏上水平，但实习岗位稳定性有限，福利较少，补偿性动机满足程度一般。
薪资信号未披露（AI估算：4K-7K/月）
成长发展
95较高
该职位接触前沿大模型与Agent技术，涉及汽车行业应用，技能成长空间巨大，且有实际项目落地机会，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈LLM、AI Agent、LangChain、LlamaIndex、AutoGen、RAG、向量数据库、Prompt Engineering
成长机会技术预研、项目落地、评测体系搭建、持续迭代
业务类型ambiguous
工作生活
30较低
实习岗位需每周至少4天到岗，且未提及弹性工作或远程，生活化动机满足度较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
汽车行业智能化是高速增长赛道，工作涉及提升研发与生产效率，有一定社会价值，但实习岗影响力有限。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs