1688-AI工程技术-杭州

优缺点分析

角色解读

• 技术深耕方向：从AI工程到AI架构师，成为大模型基础设施领域的专家
• 横向发展：可转向搜索、推荐、广告等业务场景的AI应用，或进入平台化产品团队
• 管理方向：未来可带领AI工程团队，负责更大规模的系统与团队管理
• 将大模型（LLM）和智能体（Agent）等前沿AI技术进行工程化落地，设计和实现大规模线上部署与服务
• 参与设计高性能、高可用、可扩展的AI基础架构，涉及计算、存储、推理加速等模块
• 打造AI能力平台，赋能业务团队快速集成和应用AI技术，提升整体效率
• 负责AI全链路解决方案，从需求、部署到效果评估，确保可靠运行
• 扎实的AI工程化经验，特别是大模型（LLM）的部署、优化和上线，熟悉推理加速技术
• 熟练掌握分布式系统、高并发系统设计，具备构建或维护大规模服务化平台的能力
• 精通Java或Python等主流编程语言，熟悉AI开发部署工具链（如Docker、Kubernetes等）
• 对Agent框架（如LangChain、AutoGen）有了解和实践经验者优先

申请策略

• 申请前了解1688业务背景，在面试中展示你对AI赋能业务的理解
• 准备一个完整的AI工程化项目案例，从模型训练到线上部署的端到端经验
• 突出大模型（LLM）或Agent相关项目经验，特别是工程化落地、性能优化等细节
• 展示分布式系统设计能力，如高并发架构、服务治理、容灾方案等
• 强调编程语言熟练度（Java/Python）和常用AI工具链（如TensorRT, vLLM, LangChain等）
• 如有搜索、推荐、广告业务背景，务必提及，这是加分项
• 系统学习大模型推理加速技术，如量化、剪枝、蒸馏、vLLM等
• 了解主流Agent框架（LangChain, AutoGen, CrewAI）的原理与应用

面试指南

• 针对工程落地问题，采用STAR法则：背景-任务-行动-结果，突出量化指标（如延迟降低、吞吐提升）
• 针对架构设计问题，从需求分析、容量评估、技术选型、容灾降级等角度结构化回答，并强调可扩展性
• 针对技术理解问题，先阐述概念，再结合自己的项目经验说明应用场景和效果，体现思考深度
• 你如何将一个大模型部署到生产环境？请描述整个流程和优化经验
• 在构建高并发AI服务时，你会如何设计系统架构？
• 你使用过哪些推理加速技术？效果如何？
• 如何评估一个AI模型在线上服务的性能？
• 请谈谈你对Agent框架的理解，以及在实际项目中如何应用？