广告算法实习生（AdsCore）- AI应用

优缺点分析

角色解读

• 在实习期间可以深入理解AI Agent在广告领域的应用，积累前沿的大模型工程化经验
• 转正后可成为广告算法工程师，负责更核心的算法模块开发与优化，向技术专家或团队负责人方向发展
• 长期可成长为AI应用架构师，设计和主导复杂的AI系统在商业场景的落地
• 参与构建基于LLM和Agent技术的下一代广告智能投放系统，将AI技术应用于真实的广告业务中
• 负责开发与优化广告相关的AI核心模块，如智能诊断、策略自动执行和出价算法
• 搭建面向广告领域的知识库和技能工具库，让AI Agent能够理解并操作广告投放的各个环节
• 参与广告仿真环境的搭建与效果评估，通过数据分析和实验支持业务决策
• 扎实的编程基础，特别是熟练使用Python进行数据处理和模型调用
• 对大语言模型（LLM）的原理有基本理解，并熟悉LangChain、LlamaIndex等主流应用框架
• 了解RAG（检索增强生成）或Function Calling等AI Agent相关的技术概念
• 具备良好的学习能力和好奇心，能够快速掌握广告领域的新知识和新技术

申请策略

• 仔细阅读职位描述，理解“AI数字投手”的业务目标，在面试中可以表达自己对如何用技术解决此问题的思考
• 准备一个能体现你“动手能力强”和“主动探索习惯”的具体例子
• 重点突出与LLM、Agent、RAG相关的项目经历或课程设计，即使规模小也能体现学习能力
• 详细描述使用Python完成的数据处理、模型调用或数据分析项目，展示工程实践能力
• 如有广告、推荐系统或搜索引擎相关的经历，即使是简单的分析，也能体现行业认知优势
• 深入学习LangChain、LlamaIndex等框架，并动手实现一个简单的RAG或Agent应用
• 了解互联网广告的基础概念（如RTB、CPC、CPM），可以通过阅读行业文章快速入门
• 复习机器学习、自然语言处理的基础知识，特别是与序列建模、检索增强相关的部分

面试指南

• 对于项目问题，遵循STAR法则（情境、任务、行动、结果）来结构化描述，并强调你的个人贡献和思考
• 对于技术原理问题，先阐述基本概念，再结合职位描述的广告场景，谈谈可能的应用或遇到的困难
• 对于设计类问题，从目标、输入、工具、输出流程等角度逐步拆解，展示系统性思维
• 你之前接触过LLM或Agent吗？请介绍一个你做过的相关项目或实践
• RAG（检索增强生成）的基本原理是什么？你觉得在广告知识库场景下有哪些挑战？
• 如果让你设计一个广告诊断的Agent，你会如何设计它的工具和决策流程？
• 你如何看待大模型在广告投放中的应用？
• 回顾并梳理你使用Python、LangChain/LlamaIndex或进行数据分析的项目细节，准备能清晰演示的代码或笔记