AI Coding大模型/算法实习

优缺点分析

角色解读

• 从算法实习到正式研究员，深入代码智能领域，成为LLM专家
• 横向拓展至端侧AI、系统架构方向，向技术专家或架构师发展
• 积累大模型落地经验，未来可转向AI产品技术负责人或继续深造
• 深入研究大模型对代码语义和工程上下文的理解，设计并实现模型训练与推理方案
• 优化端云协同的AI系统架构，在模型能力、时延、带宽、功耗与稳定性之间取得平衡
• 建立评测体系，持续突破大模型在工程级与端侧落地中的瓶颈
• 扎实的计算机基础，熟悉程序分析、软件工程或分布式系统
• 熟悉主流大模型架构及训练推理流程，有Code LLM实践经验
• 具备处理大型工程代码库的能力，理解模块依赖与构建体系
• 优秀的问题抽象能力，能将复杂工程问题转化为可验证的技术方案

申请策略

• 在简历中清晰表述自己对代码智能的理解和兴趣，可附上相关博客或GitHub项目
• 提前了解小红书的技术栈和业务方向，面试时展示与之匹配的研究思路
• 突出与LLM相关的项目经验，尤其是代码生成或理解方面的实践
• 展示处理大规模代码库或复杂工程问题的能力，如参与开源项目或实习经历
• 强调编程语言（Python/C++）和深度学习框架（PyTorch/TensorFlow）的熟练度
• 提前熟悉主流LLM架构（如GPT、Codex），并动手复现简单的训练或推理流程
• 补充程序分析、编译器或分布式系统的相关知识，可通过公开课或论文学习

面试指南

• STAR法则：描述情境、任务、行动、结果，突出个人贡献和技术难点
• 架构思考：从问题分析、技术选型、实现细节到评估方案，体现系统性思维
• 对比分析：结合现有工作，提出自己的改进思路或创新点
• 请介绍一下你参与过的与LLM或代码生成相关的项目
• 如何评估一个代码生成模型的效果？你会设计哪些指标？
• 在端侧部署大模型时，会面临哪些挑战？如何优化？
• 描述一次你处理大型代码库的经验，如何解决其中的依赖问题？
• 你对Code LLM未来的发展方向有什么看法？