研究型实习生-广告技术部-AIGC算法工程师

优缺点分析

角色解读

• 深度技术路线：持续深耕AI质量工程或Agentic AI方向，成为该领域的技术专家或架构师
• 学术路线：利用公司平台资源，发表高质量论文，建立行业影响力，未来可选择科研机构或高校
• 产品化路线：将研究成果与业务场景深度结合，推动技术落地并影响产品方向，成长为技术负责人
• 参与研发基于大语言模型（LLM）和智能体（Agent）的自动化测试系统，用于提升软件质量保障的智能化水平
• 设计并实现AI原生的质量基础设施，将大模型能力深度融入软件开发的规范、测试和风险控制环节
• 开发核心代码生成、测试用例生成等工具链，将研究成果转化为可支撑业务规模化落地的实际代码与文档
• 进行技术探索和学术研究，有明确的论文发表和行业交流要求
• 扎实的编程与算法实现能力，需精通Python并熟练使用TensorFlow或PyTorch等深度学习框架
• 对大语言模型（LLM）原理有理解，并具备Prompt工程、智能体（Agent）开发、检索增强生成（RAG）或代码生成中至少一项的实践经验
• 优秀的逻辑分析能力与数理基础，能够深入理解算法原理并进行创新应用
• 良好的科研与文档能力，能够将技术探索成果系统化并撰写成论文或技术方案

申请策略

• 在申请材料中明确表达对该研究方向（Agentic AI for Testing）的兴趣和理解，而不仅是泛泛地投递算法岗
• 可以尝试阅读该部门或团队近期发表的相关论文或技术博客，以便在面试中进行有针对性的交流
• 突出与LLM、Agent、Prompt Engineering、代码生成或软件测试AI化相关的项目经历或研究成果
• 强调扎实的编程能力（Python、深度学习框架）和算法实现经验，可展示相关代码仓库或竞赛成绩
• 详细列出在人工智能相关顶级会议/期刊（如NeurIPS, ICML, ACL等）的发表论文或投稿经历
• 展示良好的逻辑思维和文档能力，可简要说明过往技术项目或研究报告的撰写情况
• 深入理解大语言模型（LLM）的原理及主流技术（如SFT, RLHF），并动手实践Agent、RAG、代码生成等应用
• 学习并熟练掌握至少一种主流深度学习框架（TensorFlow或PyTorch），强化算法实现与调试能力

面试指南

• 对于项目经历问题，采用“背景-目标-行动-结果”的STAR框架，重点突出技术选型和难点解决
• 对于系统设计或开放性问题，先阐述整体思路和核心模块，再深入关键技术创新点，体现系统思维
• 对于论文问题，清晰阐述研究问题、方法、实验和结论，突出创新点和实际意义
• 对于原理性问题，力求准确、简洁，并最好能结合实例或自身经验进行说明
• 请介绍一个你使用LLM或Agent解决实际问题的项目，其中遇到了哪些技术挑战？
• 如果让你设计一个基于大模型的自动化测试用例生成系统，你的思路和关键技术点是什么？
• 你在论文中的核心贡献是什么？如何验证你方法的有效性？
• 请解释一下Prompt Engineering、RAG或代码生成（Code Generation）中你最熟悉的一项的基本原理和优化方法