数据技术及产品部-消费者认知高级算法工程师-杭州

优缺点分析

角色解读

• 技术专家路线：深耕用户认知、大模型应用等AI前沿领域，成为该细分领域的技术权威
• 架构师路线：负责更大规模的AI系统架构设计，推动AI能力在集团级的落地与赋能
• 技术管理路线：凭借技术深度和业务理解，带领团队攻坚核心AI课题
• 运用LLM和多模态技术，构建新一代的消费者理解系统，从传统的标签画像转向生成式认知
• 研发和落地覆盖集团多业务的用户记忆资产，为各业务线的AI Agent提供个性化能力支持
• 负责记忆资产生产全链路的技术优化，包括Pipeline设计、质量评测、模型蒸馏和检索策略
• 扎实的大模型算法研发能力，熟悉LLM、多模态技术、RLHF等后训练方法
• 优秀的工程实现能力，能独立完成算法从研发到线上部署的全流程，熟悉PyTorch、vLLM等框架
• 对前沿AI技术有敏锐的洞察力，并有顶会论文或高质量开源项目等成果产出

申请策略

• 仔细研究阿里巴巴集团在消费者认知、数据智能领域的公开技术文章和业务动态，思考技术应用的结合点
• 面试中除了准备技术问题，也可以思考并讨论“生成式用户认知”相较于传统标签体系的优劣和未来趋势
• 重点突出2年以上的大模型或NLP相关研发经验，详细描述具体使用的技术栈（如PyTorch, vLLM）和解决的业务问题
• 详细展示独立负责算法项目从0到1落地的全流程经历，体现工程能力
• 清晰列出参与或主导的顶会论文、开源项目或技术博客，展现技术影响力
• 深入研究LLM的主流训练（SFT/RLHF）与推理优化技术，特别是Agent相关架构
• 加强在大规模分布式计算（如Spark、ODPS）和模型部署（如vLLM）方面的实践知识

面试指南

• 使用STAR法则（情境-任务-行动-结果）来组织回答，突出个人贡献和量化结果
• 对于系统设计类问题，先明确核心目标和约束条件，再分模块阐述思路，最后讨论可能的优化方向
• 结合对岗位描述的理解，在回答中关联“用户认知”、“记忆资产”、“成本”、“质量”等关键词
• 请介绍一个你参与的大模型相关项目，你在其中负责什么？遇到了什么技术挑战？是如何解决的？
• 如何评估一个用户记忆（Memory）系统的质量？你认为关键的评测维度有哪些？
• 如果让你设计一个从用户行为日志中抽取结构化记忆的Pipeline，你会如何考虑架构？（例如批处理与流处理的结合、质量保障等）
• 对于‘记忆资产可自演化’这个目标，你认为可以从哪些技术方向入手？
• 复习LLM、Agent、RLHF、蒸馏等核心技术的原理，并能联系实际应用场景进行讨论