AI搜算法实习生

优缺点分析

角色解读

• 从算法实习生成长为能够独立负责核心搜索算法模块的正式算法工程师
• 深入大模型与Agent前沿领域，未来可向大模型架构师或AI搜索产品技术专家方向发展
• 负责AI搜索场景下大语言模型（LLM）的后训练算法优化与个性化答案生成，提升搜索效果
• 探索并落地Agent相关技术，包括Plan模型、Function Call和Memory构建，打造更智能的搜索Agent
• 研究多模态大模型在搜索中的应用，如视频理解和多模态交互，丰富用户的搜索体验
• 扎实的机器学习与深度学习基础，熟悉大模型基本原理及SFT、强化学习等后训练技术
• 具备较强的工程实现能力，熟练掌握主流的大模型训练与推理框架
• 在LLM或多模态大模型领域有深入的研究经验，能够追踪前沿技术并解决复杂实际问题

申请策略

• 提前体验快手的AI搜索功能，思考其现有产品的优缺点，并准备一些优化建议作为面试谈资
• 突出在大语言模型或多模态大模型方向的研究经历、论文发表（如有）或相关竞赛获奖
• 详细展示参与过的大模型后训练（SFT/RLHF）项目，强调你在其中的具体贡献和工程实现细节
• 体现对Agent技术（如Plan、Function Call）的理解或相关实践项目经验
• 深入学习强化学习（RLHF/PPO等）及大模型推理加速技术，熟悉vLLM等主流推理框架
• 关注Agent领域的最新进展，尝试动手实现一个包含Memory和Function Call的简单Agent项目

面试指南

• STAR法则：针对项目经验问题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，突出个人贡献
• 原理+实践+思考：针对技术问题，先简述底层原理，再结合具体代码或框架说明实践过程，最后谈谈对技术局限性和未来优化的思考
• 请详细介绍一下你在大模型后训练（如SFT或RLHF）中做过的工作，遇到了哪些挑战，如何解决的？
• 在构建Agent时，你是如何设计Memory机制或处理Function Call失败的情况的？
• 多模态大模型在视频理解中，如何处理长视频或高帧率带来的计算资源瓶颈？
• 如果AI搜索生成的答案存在幻觉，你会从算法和工程角度采取哪些措施来缓解？
• 复习大模型核心论文（如Transformer、RLHF、Agent相关经典论文），确保对底层原理对答如流
• 准备1-2个自己主导或深度参与的算法项目，梳理清楚数据构造、模型选型、训练调优到上线评估的全流程