Agent算法实习生（EDA方向）（J103892）

优缺点分析

角色解读

• 在实习期间积累Agent与EDA结合的实战经验，可能产出顶会论文或专利，为后续读博或工业界研究岗打下基础
• 未来可深入AI for Science或AI for EDA方向，成为交叉领域专家，或转向更通用的AI Agent研发岗位
• 表现优秀可转正为百度正式研究员，参与核心AI+EDA项目，薪资和发展空间可观
• 研究如何使用大语言模型（LLM）构建自演化的Agent，专门解决芯片设计（EDA）中的布局布线、DRC修复等问题
• 将EDA任务抽象成具有明确动作空间、评价指标和验证器的算法搜索环境，类似于强化学习中的环境构建
• 设计和实现Agent的闭环工作流：生成方案 → 修改代码 → 执行工具 → 验证结果 → 沉淀经验
• 探索Agent与EDA工具、数学优化求解器（MIP/CP/SAT）以及启发式算法的协同工作方式
• 扎实的算法和编程能力，熟练使用Python或C++，能够快速实现算法原型
• 了解LLM Agent、AI Coding、组合优化或EDA至少一个方向，具备相关基础知识
• 能将复杂问题（如芯片设计优化）抽象为决策、约束、目标函数和验证器，具备良好的数学建模能力
• 具备独立阅读论文、设计实验和分析结果的能力，有研究热情

申请策略

• 在求职信中表达对AI+EDA结合的热情，并简要说明自己为何适合这个跨学科方向
• 可以提前了解百度在EDA方面的公开成果（如百度智能芯片相关），在面试中展现对公司的认同
• 重点突出在LLM、Agent、组合优化或EDA相关项目中的经历，特别是涉及自动决策、搜索或代码生成的工作
• 强调编程能力（Python/C++）和算法竞赛（如ICPC、Kaggle）或开源贡献，证明工程实现水平
• 如有论文发表或独立研究成果，务必放在显眼位置，体现研究潜力
• 展示将实际问题抽象为数学或算法问题的例子，例如课设或竞赛中的建模经验
• 提前学习EDA基础知识，了解布局布线、DRC、PPA等概念，可参考经典教材或百度Einstudio相关课程
• 动手实践LLM Agent框架，如LangChain、AutoGPT，并尝试复现一些经典论文（如ReAct、Reflexion）

面试指南

• 对于项目经验问题，采用STAR法则（情境、任务、行动、结果）组织回答，突出个人贡献
• 对于技术概念问题，先给出定义，再举例说明，最后联系实际应用
• 对于开放设计问题，先明确目标，再分步阐述建模、算法、评估，展现出系统性思考
• 请描述一个你使用LLM Agent解决过的问题，你的设计思路是什么？
• 你对EDA（电子设计自动化）了解多少？布局布线和DRC的基本概念是什么？
• 如何将一个组合优化问题（比如TSP）建模为强化学习环境？
• 你如何看待当前LLM Agent在工具使用和长期规划方面的局限性？
• 请设计一个简单的Agent闭环，用于自动优化某个EDA参数