搜索算法实习生- 【AI搜】

优缺点分析

角色解读

• 实习期间深入参与业界前沿的AI搜索项目，积累宝贵的工程与研究经验
• 表现优异者有机会转正成为正式员工，在LLM、Agent或多模态等细分领域深耕
• 长期可向高级算法工程师、技术专家或团队负责人方向发展
• 负责AI搜索场景下大语言模型（LLM）的后训练与优化，提升模型在搜索任务中的效果
• 探索并实践智能Agent相关技术，如任务规划、工具调用、长期记忆等，以解决复杂搜索问题
• 研究并落地多模态大模型技术（如视频理解），丰富搜索结果的呈现形式和交互方式
• 扎实的大模型理论基础，熟悉监督微调（SFT）、强化学习（如PPO、DPO）等后训练流程
• 熟练使用PyTorch、TensorFlow等深度学习框架，并有良好的工程编码和调试能力
• 在大语言模型或视觉-语言模型（VLM）方向有实际项目或研究经验，能跟进技术前沿
• 具备分析和解决复杂技术问题的能力，对搜索或推荐系统有基本了解者优先

申请策略

• 在申请时或面试中，尝试对当前AI搜索产品的优缺点或改进方向提出自己的见解，展示思考深度
• 仔细研究快手AI相关的技术博客、开源项目或学术论文，了解团队的技术风格和研究兴趣，以便在沟通时产生共鸣
• 突出与大模型相关的项目或研究经历，详细描述你在其中使用的技术栈（如Hugging Face Transformers、vLLM）和取得的量化成果
• 强调工程能力，例如使用Python/PyTorch独立复现或部署过某个模型，或在GitHub有高质量的开源贡献
• 如有参加过AI竞赛（如Kaggle、天池）并取得好名次，或发表过相关技术博客，应重点展示
• 系统复习大模型后训练（SFT、RLHF/DPO）的技术细节和实现方案，准备可能的技术深挖问题
• 学习并实践至少一个主流的Agent框架（如LangChain、AutoGen）或阅读相关经典论文，理解其核心思想
• 关注多模态大模型（如LLaVA、GPT-4o）的最新进展，并思考在搜索场景下的应用可能性

面试指南

• 对于技术深挖类问题，采用“背景-方法-挑战-成果”的结构，重点阐述你的技术选型理由和解决具体问题的思路
• 对于系统设计类问题，先明确目标与约束，再分模块阐述设计思路，最后说明评估指标和可能的优化方向
• 对于开放性问题，结合学术前沿（如RAG、Mixture of Experts）和产品思维，提出具体、有逻辑的观点，避免空谈
• 请介绍一个你最熟悉的大语言模型后训练（SFT/RLHF）的案例，你遇到了哪些技术难点，如何解决的？
• 如果让你设计一个用于复杂问答的Agent，你会考虑哪些核心模块（如规划、记忆、工具），如何评估其效果？
• 多模态大模型（例如结合视频和文本）在搜索场景中，相比于纯文本模型，可能带来哪些全新的交互体验或技术挑战？
• 请描述一个你过去完成的最具挑战性的技术项目，你的角色是什么，最终成果如何？
• 你对AI搜索的未来发展有什么看法或预测？