业务技术-【急聘】大语言模型（LLM）算法工程师-AI软件研发方向

优缺点分析

角色解读

• 纵向可深耕大模型底层算法与训练架构，成为领域内顶尖的AI算法专家
• 横向可拓展至AI for SE（人工智能赋能软件工程）的更广阔场景，推动研发效能的全面智能化变革
• 负责淘宝研发领域大模型的核心算法研发，主导持续预训练、指令微调和对齐等训练流程
• 设计数据方案将代码、文档等异构知识注入模型，增强其对软件工程的深度理解与推理能力
• 建立科学的评测体系，评估模型在代码溯源、故障排查等高阶任务上的表现并驱动优化
• 扎实的NLP基础与LLM项目经验，精通预训练、SFT、RLHF等关键技术与深度学习框架
• 具备软件工程思维，理解软件研发全流程，熟悉代码分析与系统架构
• 出色的问题拆解能力与数据驱动思维，能够通过分析bad case实现算法闭环优化

申请策略

• 提前了解淘天集团在AI辅助研发方面的产品布局与技术博客，展现对业务的深度思考
• 重点突出在LLM预训练、SFT、RLHF/DPO等方面的实际项目经验与优化成果
• 展示对软件工程的理解，如有代码分析、知识图谱或AI for SE相关经验务必详细展开
• 强调处理海量异构数据、设计评测体系及通过bad case分析驱动算法迭代的能力
• 深入学习大模型对齐技术（如DPO、PPO）及代码大模型的最新论文与开源实践
• 补充软件架构与代码静态分析相关知识，提升将AI技术与研发全流程结合的业务理解力

面试指南

• STAR法则：针对项目经验，按照情境、任务、行动、结果的框架清晰阐述，突出个人贡献与量化收益
• 结构化思维：针对方案设计类问题，从数据准备、模型选择、训练策略、评测迭代等维度分层解答
• 请详细介绍你参与过的一个LLM训练或微调项目，遇到了哪些挑战，是如何解决的？
• 在将代码、文档等异构知识注入模型时，你设计了怎样的数据方案？如何保证数据质量？
• 如何评估大模型在代码溯源或故障排查等高阶任务上的能力？你的评测体系是如何设计的？
• 结合你的理解，AI在软件研发全流程中还有哪些痛点可以通过大模型来解决？
• 复习大模型核心算法原理（如Transformer架构、注意力机制、RLHF/DPO数学推导），准备手撕代码或算法题
• 梳理过往项目中的bad case分析案例，总结数据与算法闭环优化的具体方法论