阿里云智能-AI 架构及后端工程师-智能服务-杭州

优缺点分析

角色解读

• 纵向可发展为AI全栈技术专家或AI架构师，深入大模型应用架构与Agent系统设计
• 横向可向AI产品经理或技术负责人转型，凭借对业务和技术的全面理解，主导AI产品的商业化落地
• 负责将大模型能力转化为可落地的产品，主导从需求定义、技术方案设计到生产交付的全链路工作
• 独立完成前后端全栈开发，搭建Agent系统并集成Tool-Use、Memory等机制，推动AI应用从原型到线上闭环
• 构建数据飞轮与自动化评测框架，监控线上质量与成本，持续迭代优化AI产品效果
• 具备扎实的全栈工程能力，熟练掌握React/Vue等前端框架及Python/Java/Go等至少一门后端语言
• 了解大模型应用核心概念（Prompt Engineering/RAG/Agent），有LLM应用搭建或Agent系统工程化落地经验
• 具备产品与设计感知，掌握用户访谈技巧与原型设计工具，能从业务和用户视角思考问题

申请策略

• 在简历或面试中展现对智能服务业务的理解，说明你的技术选型如何契合业务目标与成本可控原则
• 准备一些体现“技术判断力”和“业务体感”的案例，证明你不仅关注技术实现，更关注交付业务价值
• 突出全栈项目经验，明确展示独立完成的前后端联调、部署上线经历，以及使用的技术栈
• 详细描写大模型应用实践，如搭建RAG系统、开发Agent、使用Prompt Engineering优化效果等具体案例
• 展现产品与设计感知能力，附上用户调研记录、原型设计作品或从业务视角优化产品的实际成果
• 深入学习Agent系统工程化落地，熟悉多Agent协作编排、Tool-Use（如MCP协议）及Memory管理机制
• 掌握自动化评测框架的搭建，了解LLM-as-Judge等评测方法，提升数据飞轮构建与效果调优能力

面试指南

• STAR法则：针对项目经验和技术挑战，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答
• 业务价值导向：在回答技术问题时，始终将技术决策与业务目标、用户体验、成本可控性挂钩
• 请分享一个你独立完成的全栈项目，你是如何进行技术选型并解决前后端联调问题的？
• 在搭建LLM应用或Agent系统时，你如何处理上下文管理、工具调用或记忆机制？遇到过什么挑战？
• 如果业务方提出一个模糊的AI需求，你会如何通过用户访谈和数据分析将其拆解为可落地的技术方案？
• 你如何设计自动化评测框架来监控大模型应用的效果漂移？请举例说明你的评测指标设计
• 当技术实现与业务目标发生冲突，或者面临成本与性能的权衡时，你如何做决策？
• 复习并实操大模型应用开发的核心技术（如LangChain/LlamaIndex、RAG优化、Agent设计），准备可演示的Demo或开源项目链接