大模型应用算法工程师（LLM/Agent）

优缺点分析

角色解读

• 技术深度上，可成为大模型应用或广告算法领域的专家工程师或架构师
• 技术广度上，可向算法负责人、技术团队负责人发展，领导更大范围的算法体系建设
• 在业务上，可深入理解广告商业化，成为技术驱动业务增长的关键决策者
• 将大模型（LLM）、Agent等前沿AI技术应用于广告业务，开发智能创意生成与投放决策系统
• 负责广告创意全链路算法，包括理解、生成与评估，以提升创意生产效率与质量
• 构建广告投放Agent，实现投放策略的自动规划、决策与自我优化
• 跟踪并探索多模态生成、强化学习等最新技术，并推动其在实际业务中落地
• 深入理解大模型（LLM）技术，掌握Prompt Engineering、RAG、模型微调等核心应用方案
• 具备扎实的机器学习/深度学习基础，并有较强的Python工程与代码实现能力
• 对广告、推荐系统或增长算法有业务认知或浓厚兴趣，能结合业务目标设计方案
• 具有探索精神，能跟进并应用多模态、强化学习等前沿技术解决实际问题

申请策略

• 在投递前，研究快手广告业务的产品和最新动态，在简历或面试中展现你对业务的理解和思考
• 准备一个如何将新技术（如某个最新的LLM能力）应用于改进广告某个环节（如创意生成）的具体思路
• 突出与大模型（LLM）、Agent、AIGC相关的项目经验，详细描述所用技术（如RAG、微调）和取得的量化成果
• 强调在推荐系统、广告算法或相关机器学习项目中的经验，即使非直接相关，也要体现业务理解和技术迁移能力
• 展示扎实的编程和工程能力，例如通过GitHub项目、开源贡献或具体技术实现细节来证明
• 如有顶会论文或高质量技术博客，应在醒目位置突出展示，体现技术深度和影响力
• 系统复习并实践大模型应用技术栈，如LangChain、LlamaIndex、主流微调框架等，并完成一个端到端的应用小项目
• 深入学习广告系统、推荐系统的经典架构和算法，理解CTR预估、竞价策略等核心概念

面试指南

• 使用STAR法则回答项目问题，重点突出技术选型的原因、遇到的具体困难以及你的解决思路和量化结果
• 对于系统设计问题，采用分模块阐述的方式（如：理解层、生成层、评估层、交互层），并结合广告业务特点说明设计考量
• 对于技术对比或挑战类问题，先客观分析不同方案的优缺点，再结合具体场景（广告创意、投放）给出倾向性建议和理由
• 请介绍一个你使用大模型解决具体业务问题的项目，遇到了哪些技术挑战？如何解决的？
• 如果让你设计一个广告创意自动生成的系统，你会考虑哪些技术模块和评估指标？
• 大模型在广告投放中可能存在哪些问题（如幻觉、不可控），你有什么思路去缓解？
• RAG和模型微调在广告文案生成场景中，分别有什么优缺点？你会如何选择？
• 你如何看待Agent技术在广告投放中的应用潜力？目前有哪些技术难点？