后端研发工程师（J106386）

优缺点分析

角色解读

• 可向资深技术专家或架构师方向发展，深耕风控、信用与供应链业务领域的系统架构设计
• 也可转型为 AI 工程化方向的技术 Leader，专注于大模型在业务场景中的落地与效能提升
• 负责供应商信用与风险管理核心系统的后端研发，包括画像、评级、风险预警等模块的设计与实现
• 与数据和算法团队紧密协作，将AI大模型和风控策略进行工程化落地，支撑业务的动态评估
• 精通 Java/Go/C++ 等至少一种后端语言，熟练掌握微服务架构及中间件技术
• 具备复杂业务系统设计能力，熟悉规则引擎、策略引擎，有风控或大模型工程化经验优先

申请策略

• 了解百度在供应链或 B2B 业务方向的布局，准备相关系统高可用设计与策略引擎落地的实际案例
• 突出复杂业务系统（如风控、信用、画像标签）的设计与开发经验，展示系统架构能力
• 强调微服务架构能力及与算法团队协作的模型工程化经验，体现跨团队落地能力
• 深入了解规则引擎、策略引擎的设计原理及动态配置方案
• 补充大模型应用（如 vLLM、SGLang）的工程化部署、推理优化及后端集成知识

面试指南

• 采用 STAR 法则结合系统设计思维
• 先明确业务目标和约束条件，再分层设计（数据层、服务层、策略层），最后讨论高可用、扩展性及与算法团队的协作边界
• 请设计一个供应商信用评分与风险预警系统，你会如何设计数据模型和微服务架构？
• 规则引擎和策略引擎在系统中如何设计以支持动态配置、版本管理和策略模拟？
• 如何将 AI 大模型或算法模型工程化落地到后端系统中，保证高并发和低延迟？
• 在复杂业务系统中，如何保证数据一致性和系统的高可用性？
• 复习微服务架构、分布式系统设计、规则引擎原理及常见中间件的使用场景
• 了解大模型推理框架（如 vLLM）的基本概念及后端集成方式，准备模型工程化的落地思路