1688AI大模型应用算法专家-阿里星

优缺点分析

角色解读

• 在阿里星计划下，可快速成长为AI领域的技术专家，主导核心算法方向
• 有机会从技术专家向技术管理方向发展，带领团队负责更大规模的业务与技术体系
• A2A是前沿方向，积累的经验在行业内具有高稀缺性，未来职业选择面广
• 构建买家侧Agent，基于用户行为、交易、询盘等数据，实现从需求理解到AI找品、询盘、跟单等端到端任务交付
• 建设买家、商家、平台一体化智能客服，覆盖咨询导购、接待报价、交易保障等场景，支持多轮对话与流程化处理
• 建设A2A多智能体与大模型底座，结合SFT、RLHF、RAG等技术，提升长链路任务成功率，支撑业务规模化落地
• 扎实的机器学习与深度学习基础，精通大模型训练与对齐技术，如SFT、DPO、RLHF
• 丰富的Agent/多智能体研发经验，熟悉任务规划、记忆管理、工具调用（如MCP）等关键技术
• 强大的工程能力，能够搭建离线评测与线上A/B实验体系，将原型快速落地为稳定可用的线上系统

申请策略

• 在面试中展现对大模型和Agent技术的热情与深度思考，阿里星计划非常看重潜力
• 准备一个完整的项目案例，展示从问题定义、技术选型到落地优化的全过程
• 突出在大模型对齐（SFT/RLHF）、RAG、Agent等方向的具体项目经验，量化技术指标提升
• 强调从0到1或从1到N构建AI产品的经历，展示业务落地能力
• 如有顶会论文、ACM/ICPC获奖经历或知名开源项目贡献，务必重点突出
• 深入学习Agent相关前沿技术，如MCP协议、多智能体协作框架
• 补充强化学习在Agent中的应用知识，如Agent RLHF
• 熟悉电商业务链路，理解买家、商家、平台三方诉求

面试指南

• 采用STAR法则（情境-任务-行动-结果）回答项目经验类问题，突出个人贡献和量化成果
• 对于技术方案类问题，先阐述核心思路，再展开细节，最后总结利弊和适用场景
• 对于趋势理解类问题，结合业务场景，展现技术深度和商业敏感度
• 请详细介绍一下你过去负责的Agent项目，包括架构设计、关键技术挑战和最终效果
• 在构建多智能体系统时，如何解决任务规划、状态管理和智能体间通信的问题？
• 如何设计离线评测和线上A/B实验来评估一个复杂Agent系统的效果？
• 谈谈你对A2A（Agent-to-Agent）技术趋势的理解，以及它在电商场景的应用潜力
• 在SFT和RLHF过程中，你如何处理数据质量、奖励模型设计等问题？