Alibaba logo
阿里巴巴
Agent & Memory 方向

Agent & Memory 方向

发布于 1 小时前

实习/见习

AI 估算 · 6.0千–1.0万 · AI 参考估算
初级经验
本科
实习生仅现场办公AI算法
AI算法
Llm
Llm-As-A-Judge
Memory架构
Rl
Sft

值不值得投

75综合评分

综合评分 75

前沿大模型算法实习,算力与带教强,核心业务价值高,但到岗要求较刚性

从薪资福利、成长发展、工作生活和使命价值四个维度综合评估,方便比较实习机会。

薪资怎么样

8.0千

比AI算法中位数低

发布情况

新岗位 · 今天发布

公司情况

这家公司招聘很活跃

约 5110 个在招 · 其中AI算法 96 个

市场机会

选择面较广

杭州 · AI算法 · 约 110 个在招

职位详情

关于这个职位

该实习岗位聚焦千问 APP 的 Agent 与 Memory 方向,参与用户画像、记忆架构、智能推荐和评估体系建设

你将围绕大模型推理、用户行为理解与生成式推荐开展前沿探索,并直接影响核心产品的用户体验

最低要求

计算机科学、软件工程、数学、统计学等相关专业本科及以上学历

有 LLM 实操经验,参与过大模型 Pretrain,SFT,RL 等项目者优先
在人工智能相关的各类国际顶级会议/期刊中发表过论文者优先
实习期3个月以上,一周到岗4天以上

工作职责

【你将直接参与最前沿的探索与实践】:

Memory 架构设计:探索 Explicit vs Implicit 记忆的最佳实践
如何从海量对话与交互行为中提取用户偏好?使用memory时如何更好地进行memory的检索?如何优化更新与遗忘机制?如何利用全生态画像和群体特点解决冷启动问题?
智能推荐: 告别传统 ID-based 推荐,实现基于 LLM 的 Generative Recommendation
结合用户画像及外部信息,生成个性化查询、工具、图像,培养用户的交互习惯
评估体系建设:围绕 LLM-as-a-Judge / Self-eval 等技术,触碰在线学习的边界,重新定义 AI 产品的北极星指标
【你将获得】
算力自由:充足的计算资源,赋予你超大模型的第一手实战经验
顶尖指导:浓厚的技术氛围,一线人员手把手带教,解锁顶会论文与技术报告的发表机会
核心业务:你将直接影响千问 APP 的核心体验,感受从算法到落地的全链路闭环

优先资格

有 LLM 实操经验,参与过大模型 Pretrain,SFT,RL 等项目者优先

在人工智能相关的各类国际顶级会议/期刊中发表过论文者优先

AI 洞察

优缺点分析

优点

  • 直接参与千问 APP 核心体验建设,能接触亿级用户场景和真实业务反馈
  • 方向覆盖 Memory、Agent、Generative Recommendation、LLM-as-a-Judge 等前沿议题,技术成长密度高
  • JD 明确提到充足算力、一线人员带教和论文/技术报告机会,对算法实习生成长友好
  • 能体验从算法研究到产品落地的全链路闭环,适合积累真实大模型产品经验
  • 方向偏前沿,问题定义和评价标准可能不成熟,需要较强的探索能力和自驱力
  • 适合计算机、数学、统计背景,有大模型实操或研究经历,并希望参与核心 AI 产品算法落地的实习生

缺点 / 挑战

  • 涉及亿级用户、海量交互数据和核心产品体验,实验严谨性与工程复杂度都较高
  • 要求实习期三个月以上、每周到岗四天以上,对在校生的课程和时间安排有一定压力

角色解读

  • 从大模型算法实习生起步,逐步深入 Memory、Agent、推荐系统或模型评估等细分方向,积累核心业务落地经验
  • 后续可成长为大模型算法工程师、推荐算法工程师或 AI 产品算法负责人,参与更复杂系统的设计与优化
  • 对研究有兴趣的人也可走向论文发表、技术报告、前沿模型研究或更高阶算法专家路线
  • 参与千问 APP 的用户 Memory 架构设计,研究如何从对话和交互行为中提取偏好,并优化记忆检索、更新、遗忘和冷启动策略
  • 参与基于 LLM 的 Generative Recommendation 建设,结合用户画像和外部信息生成个性化查询、工具或图像推荐
  • 参与 AI 产品评估体系建设,围绕 LLM-as-a-Judge、Self-eval 等方法探索模型自评和在线学习边界
  • 将算法能力落地到亿级用户产品的核心体验中,覆盖从问题定义、实验验证到线上效果闭环的完整链路
  • 需要具备计算机、软件工程、数学或统计等专业基础,并能理解大模型训练与推理的基本流程
  • 需要熟悉 LLM 实操,了解 Pretrain、SFT、RL 等训练阶段及相关实验方法
  • 需要较强的算法实验能力,包括数据构造、指标设计、消融实验和结果分析
  • 有人工智能顶会或期刊论文经历会明显加分,说明具备研究问题抽象和成果沉淀能力

申请策略

  • 申请时建议明确说明可实习时长和每周到岗天数,因为 JD 对三个月以上、每周四天以上有硬性要求
  • 提前了解千问 APP 的产品形态和核心使用场景,面试中可结合首屏推荐、工具调用、用户记忆等方向提出自己的观察
  • 突出与 LLM 相关的项目经历,例如 Pretrain、SFT、RL、RAG、Agent、Prompt 优化或模型评估,并说明自己承担的具体工作
  • 强调数据处理和实验设计能力,包括如何构造训练/评测数据、设计指标、做消融实验以及分析失败案例
  • 如果有论文、竞赛、开源项目或技术报告,应放在显眼位置,说明问题背景、方法创新和实验结果
  • 补充与推荐系统、用户画像、记忆机制相关的经历,尤其是涉及个性化、冷启动、检索或在线实验的项目
  • 提前熟悉大模型训练与评估常见框架和流程,能够讲清楚 SFT、RLHF、LLM-as-a-Judge 等方法的适用场景
  • 补强推荐系统和用户建模基础,理解 ID-based 推荐与生成式推荐、用户画像与短期意图之间的差异

面试指南

  • 项目类问题采用“背景—目标—方法—实验—结论—反思”的结构,重点讲清自己的独立贡献和可量化结果
  • 方案设计类问题先澄清业务目标和约束,再从数据、模型、检索、评估、上线闭环几个层面展开
  • 前沿概念类问题要先说明基本原理,再结合具体产品场景讨论优缺点、风险和验证方式,避免只背概念
  • 请介绍一个你参与过的大模型项目,包括数据、方法、指标和你的具体贡献
  • 你认为 Explicit Memory 和 Implicit Memory 分别适合什么场景,如何设计和评估?
  • 如果要从用户对话与交互行为中提取偏好,你会如何构造数据和避免噪声?
  • 传统 ID-based 推荐与基于 LLM 的 Generative Recommendation 有什么区别,各自有什么挑战?
  • 如何理解 LLM-as-a-Judge 或 Self-eval?它在真实产品评估中有哪些局限?

职位点评

薪资福利72
成长发展95
工作生活45
使命价值82

薪资福利

72中等

JD 未披露薪资和具体福利,但明确提到充足算力、一线带教和核心业务机会,对技术实习生的成长型回报较强。补偿性动机只能部分判断。

薪资信号未披露(AI估算:6.0千–1.0万/月)

成长发展

95较高

岗位直接覆盖 Memory、Agent、生成式推荐、LLM-as-a-Judge 等前沿方向,并明确提到充足算力、手把手带教、论文和技术报告机会,发展性非常突出。

技术前沿前沿/新兴技术
技术栈LLM、Memory、Agent、User Profile、Generative Recommendation、LLM-as-a-Judge、Self-eval、Pretrain、SFT、RL
成长机会充足的计算资源、一线人员手把手带教、解锁顶会论文与技术报告的发表机会
业务类型profit_center

工作生活

45较低

JD 明确要求一周到岗四天以上,说明现场投入较高;但未提及弹性办公、远程、双休或加班情况,生活灵活性信息有限。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

82较高

岗位目标是打造更懂用户的 AI 助手,并影响千问 APP 的核心体验,AI 助手方向具备较强行业前景和产品价值。JD 未直接表达社会使命类表述。

行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs