大模型后训练算法工程师（Coding Agent 方向）

优缺点分析

角色解读

• 深耕 LLM 后训练与 Coding Agent，成长为模型能力方向的技术专家
• 从单点算法优化扩展到训练数据、强化学习、评测体系的端到端负责人
• 有机会向技术团队负责人或 AI 编程产品算法负责人方向发展
• 负责大模型在 Coding Agent 场景的后训练与能力优化，直接服务代码生成产品效果
• 研究大规模数据合成、指令微调与强化学习方案，提升模型在多种 Coding 框架中的性能
• 设计并落地真实场景评测体系，衡量模型在 Coding Agent 任务中的综合表现
• 与团队协作分析代码生成前沿进展，持续迭代训练与评测策略
• 熟悉 LLM 后训练技术，具备数据构建、指令微调或强化学习经验
• 扎实的代码能力与算法功底，有良好工程习惯，能处理大规模训练/评测流程
• 具备评测方案设计与实验分析能力，能定位模型能力短板并推动优化
• 关注代码生成前沿，熟练使用 Cursor、Claude Code 等 AI 编程工具

申请策略

• 投递时突出对 Coding Agent 场景的理解和对 AI 编程工具的真实使用经验
• 关注智谱 GLM/CodeGeeX 系列模型进展，面试中可结合产品谈技术优化思路
• 突出 LLM 后训练相关项目，如 SFT、RLHF/RL、数据合成与评测体系建设
• 展示代码生成/Coding Agent 实战，包括框架接入、指标设计、效果提升数据
• 强调工程能力：大规模数据处理、训练 pipeline、实验管理与代码质量
• 若有 Cursor、Claude Code、GLM/CodeGeeX 使用或项目落地经验，建议单独列项
• 补齐强化学习在大模型后训练中的应用知识，如 reward modeling、PPO/GRPO 等
• 准备一个可讲述的 AI Coding 项目案例，说明如何用 AI 加速从想法到上线

面试指南

• 用「目标-方案-实验-结果」结构回答，先明确要提升的模型能力，再讲数据/训练/评测设计
• 技术问题尽量结合真实项目，说明取舍、失败经验和量化收益
• 对开放问题先给框架，再展开关键细节，体现系统性思考
• 你如何设计 Coding Agent 的后训练数据合成与筛选流程？
• 在代码生成任务中，你会如何应用强化学习并设计奖励信号？
• 如何构建真实场景下的 Coding Agent 评测体系，避免指标失真？
• 讲一个你用 AI 编程工具从想法到上线的项目，AI 在其中发挥了什么作用？
• 你如何定位模型在复杂代码库任务中的失败原因并推动优化？