大模型算法策略工程师（J98346）

优缺点分析

角色解读

• 从算法工程师向推荐系统或大模型方向专家发展，深入理解业务场景
• 可转向技术Leader角色，带领团队推进复杂项目
• 或在百度内部横向迁移至其他AI业务线，如搜索、广告等
• 探索大模型在信息流推荐中的应用，设计Prompt和微调方案优化内容理解与用户兴趣建模
• 基于离线数据分析和在线指标反馈，迭代推荐策略，提升推荐效果
• 与工程和产品团队协作，推动大模型能力在推荐系统中的工程化落地与规模化应用
• 扎实的机器学习/深度学习基础，熟悉LLM、推荐系统或NLP等方向
• 熟练使用Python，掌握PyTorch或TensorFlow等深度学习框架
• 良好的数据分析与工程实践能力，能够独立完成算法实验和效果评估

申请策略

• 了解百度信息流产品（如百度App、好看视频）的推荐特点，在面试中体现业务理解
• 准备一个自己主导的算法项目，从问题定义、方案设计到效果评估的全流程陈述
• 突出推荐系统或大模型相关的项目经验，尤其是实际落地场景和效果数据
• 强调Python和深度学习框架的熟练程度，附上GitHub或技术博客链接
• 展示数据分析和实验设计能力，如A/B测试、离线评估等
• 提前学习Prompt工程、SFT、蒸馏等大模型微调技术
• 补充推荐系统相关知识，如协同过滤、召回排序、多目标优化等

面试指南

• 使用STAR法则：描述场景、任务、行动和结果，突出技术选型和量化收益
• 对比不同方案：先简述问题，然后提出多种候选方案，分析优缺点，最后给出选择理由
• 注重逻辑链：从数据观察→假设提出→实验设计→结果分析，体现系统性思维
• 请介绍一个你参与的大模型或推荐系统项目，具体做了哪些工作和取得了什么效果？
• 在推荐场景中，如何利用大模型改善用户兴趣建模？
• 如何设计Prompt来提升内容理解的效果？你如何评估Prompt的好坏？
• 什么是模型蒸馏？在推荐系统中如何应用蒸馏技术？
• 如果线上推荐指标下降，你会如何排查问题？