Agent/大模型算法工程师-国际化智能审核

优缺点分析

角色解读

• 技术专家路线：在内容安全、多模态理解、Agent系统等方向深耕，成为领域专家
• 技术管理路线：带领团队负责核心算法方向，从技术执行者向技术管理者转型
• 行业影响力路线：通过发表顶会论文、参与行业标准制定，提升个人在AI领域的学术和行业影响力
• 负责构建和优化基于大模型（LLM/VLM）的内容风险识别系统，处理图文、视频、音频等多模态数据，覆盖笔记、评论、直播等多种业务场景
• 设计和研发用于内容治理的Agent系统，包括意图理解、任务规划、工具调用等，并参与Agent的强化学习（Agentic RL）优化
• 深度参与大模型的预训练、SFT和RL全链路训练，推动多模态内容理解与生成能力的落地
• 持续追踪AI Agent前沿技术，进行技术验证和落地，并有机会将研究成果沉淀为顶会论文
• 扎实的机器学习与深度学习基础，熟悉Transformer、多模态模型等主流架构
• 深入理解大模型（LLM/VLM）的应用范式，包括Prompt Engineering、RAG、模型评估等
• 熟悉主流Agent架构（如ReAct、Multi-Agent）和交互协议（如MCP、Function Call），具备Agent系统研发经验
• 掌握大模型训练与优化技术，包括SFT、RLHF/RL，并了解相关基础设施

申请策略

• 在简历和面试中，除了展示技术能力，也要体现你对内容安全业务的理解和思考
• 了解小红书国际化业务的最新动态，思考技术如何更好地服务于业务
• 突出大模型、Agent、多模态相关的项目经验，详细描述你的技术方案、模型设计和最终效果
• 强调你在SFT、RLHF或Agentic RL方面的实践经验，尤其是如何解决具体问题
• 如有顶会论文或开源项目，务必重点展示，这是重要的加分项
• 量化你的工作成果，例如风险识别率提升、成本降低等，用数据体现你的价值
• 系统学习Agent相关技术，如ReAct、Multi-Agent、MCP协议，并尝试动手搭建一个简单的Agent应用
• 深入理解大模型训练细节，如SFT、RLHF，并尝试使用开源框架进行实践

面试指南

• STAR法则：清晰阐述项目背景、你的任务、采取的行动和最终结果，突出个人贡献和量化成果
• 系统设计思路：从需求分析、架构设计、技术选型到效果评估，展现你的系统化思考能力
• 问题解决导向：面对技术挑战，如何分析问题、提出假设、设计实验并最终解决问题
• 请详细介绍一下你参与过的一个大模型或Agent项目，包括架构设计、技术选型和遇到的挑战？
• 如何设计一个基于VLM的内容风险识别系统？请谈谈你的思路
• 在Agent系统中，如何解决多Agent协作中的任务分配和上下文管理问题？
• 你如何评估一个Agent系统的效果？有哪些关键指标？
• 谈谈你对Agentic RL的理解，以及它在实际应用中的挑战？