【REDstar】基础模型算法工程师

优缺点分析

角色解读

• 纵向深耕：成为AI Agent领域的专家，主导更复杂的模型架构设计与底层算法创新
• 横向拓展：向AI产品经理或技术负责人方向发展，统筹算法与产品的深度融合，驱动业务增长
• 负责小红书AI助手‘点点’的后训练技术（SFT/RL），提升模型在复杂任务和工具使用上的能力
• 设计和优化Agent Harness架构，包括上下文管理、记忆机制、工具调用及规划执行模块
• 进行端到端的算法效果优化，结合产品场景解决用户个性化需求，推动算法在亿级用户中的落地
• 扎实的机器学习与自然语言处理（NLP）基础，精通SFT、RL、OPD等后训练技术栈
• 深入理解Agent Harness框架，具备Context、Memory、Tool使用等模块的设计与优化能力
• 优秀的工程实现与问题拆解能力，能在复杂业务场景中独立推动算法迭代与落地

申请策略

• 准备一个完整的案例，阐述如何从数据构建到模型训练再到效果评估的全流程
• 展现对AI产品用户体验的理解，说明技术如何服务于用户价值
• 突出SFT、RL、OPD等后训练项目的具体成果与性能提升指标
• 强调在Agent架构设计、工具调用或复杂任务规划方面的实战经验
• 若有顶会论文或相关开源项目贡献，务必重点展示
• 深入研究主流Agent框架（如LangChain, AutoGen等）及其底层原理
• 关注强化学习在LLM对齐中的应用最新进展（如RLHF, DPO, ORPO等变体）
• 提升工程化能力，熟悉大规模模型训练与推理的部署优化技巧

面试指南

• STAR法则：情境-任务-行动-结果，重点突出技术选型的理由和最终的业务/技术指标提升
• 结构化思维：从数据、模型、训练策略、评估体系四个维度系统性地回答Agent相关问题
• 结合业务：始终将技术方案与小红书的具体场景（如种草、搜索、交易）联系起来
• 请详细介绍你过往在SFT或RL训练中的具体实践，遇到了哪些挑战以及如何解决的？
• 在设计Agent Harness时，如何处理长上下文记忆与工具调用的冲突？
• 如何评估和优化Agent在复杂多轮对话中的表现？有哪些关键的评测指标？
• 如果让你设计一个能使用外部工具的Agent，你会如何规划其架构？
• 复习Transformer架构、Attention机制及各类对齐算法的原理