研究型实习生-智能算法产品事业部-推荐Agent算法工程师

优缺点分析

角色解读

• 短期可通过参与大模型与Agent前沿研究，积累顶会论文发表经验与工业界落地经验
• 长期可发展为推荐算法领域的资深研究科学家或大模型应用专家
• 研究电商推荐场景下的Agent Memory机制，设计用户认知记忆的形式化定义与分层架构
• 参与大模型的预训练、SFT、RL等训练流程，并进行线上A/B实验验证推荐效果
• 撰写技术报告和学术论文，推进顶会投稿及开源框架建设
• 扎实的计算机科学理论基础，精通推荐系统、LLM、Agent及强化学习等核心技术
• 优秀的编程能力与工程落地经验，能够独立完成模型训练与离线/线上评测
• 具备学术研究能力，熟悉顶会论文写作规范与实验设计方法

申请策略

• 提前了解阿里巴巴智能算法产品事业部的核心业务场景，准备针对性的业务思考与落地方案
• 重点突出在NeurIPS/ICLR/KDD等顶会的论文发表记录或高质量开源项目贡献
• 详细列出参与过的LLM预训练、SFT、RL或推荐系统相关的项目经验及具体指标提升
• 展示扎实的编程功底，如熟悉PyTorch、DeepSpeed等深度学习框架及分布式训练经验
• 深入研读Agent Memory、LLM推荐及强化学习相关的最新顶会论文，掌握前沿方法论
• 动手复现经典的推荐系统或大模型训练开源项目，提升工程落地与调优能力

面试指南

• 采用STAR法则描述研究项目，重点突出你个人的核心贡献和最终取得的指标提升或论文成果
• 对于算法设计问题，先阐述理论动机和形式化定义，再说明具体的模型架构或优化策略，最后结合实验数据证明有效性
• 请详细介绍你在Agent Memory或LLM推荐方向的研究工作，以及你是如何解决记忆冲突或冷启动问题的？
• 在LLM预训练或SFT/RL阶段，你遇到过哪些工程或算法上的瓶颈？是如何优化的？
• 如果要将你的研究成果落地到电商推荐场景，你会如何设计离线评测指标和线上A/B实验？
• 请谈谈你对用户认知记忆形式化定义的理解，如何平衡记忆的结构化与压缩率？
• 复习推荐系统经典模型及大模型微调的核心原理，准备好应对底层技术细节的拷问
• 梳理自己过往研究中的失败案例或踩坑经验，展现解决复杂工程与算法问题的思考过程