高级算法工程师

优缺点分析

角色解读

• 成为大模型应用领域的资深专家，主导公司级AI战略项目的技术攻关
• 向AI技术管理方向发展，带领团队构建智能化的物流业务中台
• 在垂直行业的AI落地实践中积累深厚壁垒，成为行业内的技术领军人物
• 负责大模型在物流业务场景中的落地应用，包括提示词工程和上下文优化
• 利用SFT和强化学习等技术手段，针对特定业务需求（如风险识别、证据提取）微调模型性能
• 研究并应用RAG和Agent技术，构建可复用的算法组件，解决复杂的业务逻辑判断问题
• 扎实的深度学习基础，精通Transformer架构及Hugging Face生态
• 熟练掌握大模型后训练技术（SFT、RLHF）及推理优化框架（vLLM、DeepSpeed）
• 具备优秀的工程落地能力，能将算法模型转化为实际可用的服务系统

申请策略

• 准备详细的项目复盘，重点阐述技术选型理由及遇到的挑战与解决方案
• 关注京东物流在智能化方面的最新动态，展现对业务的深刻理解
• 突出展示在大模型微调（SFT/RLHF）方面的具体项目经验和量化效果
• 强调RAG或Agent在实际业务系统中的落地案例，特别是解决过的难点
• 列出熟悉的推理加速框架（如vLLM、DeepSpeed）及性能优化成果
• 深入研究最新的大模型开源社区动态，掌握最新的微调与对齐技术
• 提升工程化思维，学习模型部署、服务化及性能监控的最佳实践
• 加强对物流行业业务知识的学习，理解业务痛点与技术结合的切入点

面试指南

• STAR法则：清晰描述背景、任务、行动和结果，重点突出技术细节和业务影响
• 对比分析：阐述不同技术方案（如不同微调方法或检索策略）的优劣及选择依据
• 数据驱动：用具体的指标（如准确率提升、推理延迟降低）来证明技术效果
• 请详细介绍你过往在大模型SFT或RLHF方面的实践经验及调优策略
• 在RAG系统中，如何解决检索精度低或上下文窗口限制的问题？
• 面对复杂的业务规则判断任务，你是如何设计Prompt或微调数据的？
• 请分享一次使用vLLM或DeepSpeed进行模型部署优化的经历，遇到了哪些瓶颈？
• 复习Transformer底层原理及主流大模型架构差异