AI 研发实习生 (Memory 方向)（J101092）

优缺点分析

角色解读

• 从实习生成长为AI Agent方向的正式工程师，有机会转正进入百度核心团队
• 深入掌握Graph AI和LLM Memory的前沿技术，成为该领域的专家
• 未来可向AI架构师、技术负责人方向发展，或者转向AI产品研发
• 研发新一代Agentic Graph/Graph Memory系统，结合Graph AI与LLM Memory机制
• 负责Agent/Loop/Harness工程落地，优化Agent读写图记忆的架构
• 推动Coding Agent、AIOps等真实场景的落地，注重ROI和实际应用
• 优化Text2GQL等图查询的Tool Use效率，打通数据流闭环
• 扎实的Python编程能力，并熟悉至少一门强类型语言（如Rust、Java、Go）
• 熟悉主流LLM模型和Agent架构（Agent/Loop/Harness），有Long-term Memory实践经验
• 了解图数据库、向量数据库、LSM存储原理，熟悉Mem0、Graphify等图+LLM方案
• 良好的自驱力和技术判断力，习惯阅读技术文章并分享

申请策略

• 在简历中明确写出你对Agent Memory的理解和兴趣点，可附上相关技术文章链接
• 关注百度AI团队的技术博客和开源项目，面试时展示了解程度
• 突出Python和强类型语言的编程经验和项目，尤其是Agent或LLM相关项目
• 展示对Graph记忆、向量数据库等技术的理解和实践
• 提供Github链接或个人技术博客，体现自驱力和技术分享习惯
• 如果有开源贡献或技术比赛获奖经历，务必列出
• 深入学习Mem0、Graphify等开源方案，动手搭建一个小型Agent记忆系统
• 熟悉Text2GQL和图查询优化，练习将自然语言转化为图查询

面试指南

• 用结构化回答：先讲概念，再结合项目经验，最后总结收获
• 对于技术原理问题，从底层存储到上层应用逐步展开
• 对于项目问题，用STAR法则（情境、任务、行动、结果）清晰描述
• 请解释一下Long-term Memory在Agent中的作用，你如何实现？
• 你用过哪些图数据库和向量数据库？它们的读写原理有什么不同？
• 描述一个你使用LLM和Agent解决实际问题的项目？
• Text2GQL的挑战是什么？如何优化Tool Use效率？
• 你对Graph Memory和Knowledge Graph的区别有什么理解？