业务技术-AI Agent 后训练专家（急招）-电商交易方向

优缺点分析

角色解读

• 在超大规模交易场景中积累稀缺的 LLM Agent 规模化落地经验，向 Agent/LLM 应用技术负责人方向发展
• 可横向拓展到 AI 中台、算法平台、解决方案架构等方向，兼具技术深度与业务广度
• 持续跟进 RAG、Multi-Agent、后训练等前沿方向，有机会沉淀专利、论文或对外技术影响力
• 面向下单、购物车、订单、物流、逆向售后、商家服务等交易场景，设计并交付生产级 AI Agent 系统，打通需求澄清到线上规模化运营的全链路
• 负责 LLM 应用的数据处理、Prompt 工程、模型选型与后训练（SFT/RLHF/RAG），在模型效果与工程成本之间做取舍
• 构建高并发、低延迟的 Agent 推理服务与可观测性体系，通过量化、剪枝、Cache 优化提升性能与稳定性
• 建立效果评估与 badcase 分析闭环，用 AB 实验和业务指标驱动 Agent 能力持续迭代
• 线上大规模 Agent 系统的实际落地经验，能讲清架构选型、幻觉/延迟/成本等核心挑战的解法与量化收益
• 扎实的 LLM 工程能力：Prompt/Few-shot 工程、SFT、RLHF、RAG，以及 ReAct、CoT、Tool Use、Memory、Multi-Agent 等范式
• 生产级后端功底：Python/Java、微服务、缓存、消息队列、Docker/K8s，能支撑高并发低延迟在线推理
• 对电商交易业务的理解与数据敏感度，能把技术优化映射到 GMV、转化率、客服效率等核心指标

申请策略

• 准备 1-2 个可以画架构图、讲二十分钟的 Agent 项目，面试大概率会围绕其深挖
• 提前了解淘天在 AI 电商、智能客服与商家服务上的产品动态，体现业务理解
• 用 STAR 结构写清楚你主导或深度参与的 Agent 项目：日活规模、调用量、架构选型与关键取舍
• 量化结果优先：自动化率、客服人效、响应延迟、单次调用成本等提升幅度，最好有前后对比
• 列出 LLM 后训练与 Agent 技术的实操细节，如 SFT 数据构造、RAG 召回策略、Multi-Agent 编排方式
• 补充工程侧证据：高并发服务、容器化部署、可观测性建设与性能优化经验
• 系统梳理 ReAct、Tool Use、Memory、Multi-Agent 等 Agent 范式，准备能讲透设计权衡的案例
• 补强 LLM 后训练链路（数据清洗、SFT、RLHF/DPO、评测集构造）的实操经验与指标口径

面试指南

• 用「背景—目标—方案—权衡—结果」结构作答，先给量化结果，再展开技术细节
• 讲选型时给出 2-3 个备选方案及放弃理由，体现判断力而非只会用某个工具
• 把技术动作映射到业务指标（自动化率、客服效率、转化率），突出价值闭环
• 请介绍一个你主导的线上 Agent 系统：整体架构如何设计，为什么这样选型？
• 线上 Agent 出现幻觉或答非所问时，你如何定位问题并治理？
• 如何控制 Agent 的响应延迟和推理成本？做过哪些优化，效果如何？
• 你如何设计 Agent 的效果评估体系，AB 实验与人工评测的指标怎么定？
• 在电商售后或导购场景，你会如何拆解任务并做 Multi-Agent 编排？