ATH事业群-MaaS业务线-智能座舱Agent算法工程师

优缺点分析

角色解读

• 在阿里巴巴云智能集团，可深入参与核心MaaS业务，技术视野和影响力巨大，成为智能座舱Agent领域的专家
• 有机会接触海量真实业务场景和顶尖技术团队，快速积累多模态大模型、Agent等前沿领域的落地经验
• 未来可向技术专家或技术管理方向发展，在AI领域持续深耕，成为行业领军人物
• 负责智能座舱场景下Agent的决策与任务编排，包括工具调用、多步任务规划与多Agent协同，实现主动式服务
• 研发端到端多模态大模型（Omni），攻克流式交互、模态对齐等难题，提升座舱交互体验
• 建设Agentic Search与知识推理能力，利用大模型技术提升对车辆手册、本地生活等信息的检索与推理能力
• 优化训练、推理框架，进行端云协同部署，并构建训练数据与评测体系，持续迭代模型能力
• 扎实的机器学习、NLP、语音处理理论基础，具备大模型后训练（SFT、RLHF）实战经验
• 精通PyTorch，熟悉DeepSpeed、Megatron等分布式训练框架，以及vLLM、SGLang等推理引擎
• 具备智能体（Agent）研发经验，熟悉Agentic RL、RAG、Deep Research等前沿技术
• 优秀的业务洞察力、沟通协作与项目管理能力，能将算法转化为商业价值

申请策略

• 在简历中清晰展示技术深度和业务成果，强调与岗位的匹配度
• 面试时，可以准备一个完整的项目案例，展示从问题定义、方案设计到落地效果的全过程
• 突出大模型预训练/后训练（SFT、RLHF）的完整项目经验，尤其是端到端语音或多模态模型
• 强调Agent相关项目落地经验，如Agentic RL、RAG、Deep Research等，并展示具体成果
• 展示分布式训练、推理加速的实战经验，如DeepSpeed、Megatron、vLLM等
• 如有顶会论文或知名开源项目贡献，务必突出
• 深入了解智能座舱场景和车机交互特点，补充相关领域知识
• 熟悉Agent框架和最新研究，如Agentic RL、Agentic RAG等

面试指南

• 回答技术问题时，采用STAR法则（情境、任务、行动、结果），突出个人贡献和量化成果
• 针对系统设计问题，从需求分析、技术选型、架构设计、关键难点和解决方案等方面展开，体现系统思维
• 对于开放性问题，结合业务场景，从技术、成本、用户体验等多角度分析，展现综合能力
• 请详细介绍一下你参与过的智能体或大模型项目，包括技术架构、挑战和解决方案
• 如何设计一个智能座舱Agent的决策与任务编排系统？
• 在端侧部署大模型时，如何平衡时延、成本和效果？
• 如何构建评测体系来评估智能座舱Agent的能力？
• 你对Agentic RL和RAG的理解，以及如何应用到智能座舱场景？