1688买家Agentic AI算法专家-阿里星

优缺点分析

角色解读

• 技术专家路线：成为Agent与RL领域内的技术权威，主导复杂系统架构设计，影响公司乃至行业的技术方向
• 技术管理路线：凭借卓越的技术领导力，转向带领算法团队，负责更广泛的业务AI战略与落地
• 学术与社区影响力路线：通过持续产出高水平论文和开源贡献，建立个人品牌，成为学术界与工业界的桥梁
• 设计和实现针对复杂商业场景的Agent核心强化学习对齐算法（如GRPO/PPO），提升模型自主推理和纠错能力
• 利用海量业务数据构建B2B生意世界的模拟环境，通过仿真博弈持续优化AI Agent的决策逻辑
• 参与千亿级大语言模型的训练与迭代，将前沿算法与业务落地结合，解决实际商业问题
• 将核心技术突破撰写为高水平学术论文并投稿顶级会议，或推动开源，塑造技术影响力
• 精通主流的大语言模型强化学习对齐算法（DPO/PPO/GRPO等），具备从理论到工程实现的完整能力
• 拥有大型Agent系统开发实战经验，熟悉任务规划、工具调用、记忆管理等关键模块的设计与优化
• 具备千亿级模型训练或微调经验，熟悉分布式训练框架与大规模数据处理
• 拥有强大的逻辑分析与抽象建模能力，对AI原生产品有坚定的信仰和从底层构建的热情

申请策略

• 在申请材料或面试中，尝试结合1688的具体场景（如商品匹配、价格谈判、供应链优化）来阐述你对Agent技术的理解和应用想法
• 表现出对阿里巴巴技术文化（如“拥抱变化”）的认同，并思考你的技术追求如何与推动业务创新相结合
• 详细描述你主导或核心参与的Agent系统或强化学习项目的具体挑战、你的算法选型与实现、以及最终量化成果
• 突出任何涉及大规模模型（如千亿参数）训练、微调或评估的经验，包括所用框架和解决的技术难题
• 列出你在相关领域（如ICML， NeurIPS， ICLR）发表或投稿的论文，或知名的开源项目贡献
• 强调你对“AI Native”产品的思考，或从底层重构系统以解决根本问题的案例
• 深入研究GRPO/PPO等算法的最新论文与实现细节，特别是其在复杂Agent任务中的应用
• 尝试构建一个小型的、基于LLM的模拟环境或Agent系统，以加深对任务分解、工具调用等概念的理解

面试指南

• 对于系统设计问题，使用STAR法则（情境、任务、行动、结果）清晰陈述，并重点阐述你的技术决策（算法选择、架构设计）及其背后的权衡
• 对于算法原理问题，不仅要解释公式，更要结合B2B场景（如长链条推理、多角色博弈）阐述其适用性和改进方向
• 对于开放性设计问题，展现你的系统性思维：从问题定义（场景、实体、目标）到技术栈选择（模拟框架、优化算法）再到评估指标的完整链条
• 请描述一个你设计的复杂Agent系统，其中最大的技术挑战是什么，你如何解决的？
• 请解释GRPO（或PPO）算法的核心思想，并讨论它在优化LLM Agent行为时的优势与潜在挑战
• 如果让你为1688的买卖家谈判场景构建一个模拟器，你会考虑哪些核心要素？如何设计奖励函数？
• 你是否有千亿级模型训练或优化的经验？遇到过哪些典型问题（如显存、效率、数据）？
• 你为什么认为AI Native是未来？你理想中的AI原生商业产品是怎样的？