搜索NLP大模型实习生

优缺点分析

角色解读

• 可从实习生转正为正式算法工程师，深入搜推NLP领域
• 通过学术与业务结合，积累大模型落地经验，未来可发展为技术专家或研究员
• 有机会在网易平台接触海量业务数据和真实场景，快速成长为领域骨干
• 参与生成式大模型在搜索推荐场景的学术研究，探索生成式检索、大模型推荐优化等前沿算法，协助发表高质量论文
• 利用NLP和生成式技术解决搜推业务问题，包括基于LLM的搜索意图解析、推荐内容生成、多轮交互式搜推等
• 负责生成式模型的调优、部署及搜推链路集成，并进行效果评估与优化
• 参与团队方案研讨、技术攻坚和成果复盘，推动项目高效落地
• 扎实的编程能力，熟练使用Python，掌握PyTorch/TensorFlow等深度学习框架
• 熟悉深度学习、NLP、信息检索等核心技术，了解LLM在搜索推荐场景的落地逻辑
• 具备良好的英文文献阅读能力和技术文档撰写能力
• 有团队协作和沟通能力，有创新思维和探索欲

申请策略

• 在简历和面试中强调你对生成式搜推的热情和思考，展示你对该领域的理解
• 了解网易音乐事业部及网易大模型相关业务，准备有针对性的想法
• 突出NLP、深度学习、信息检索相关项目经验，尤其是涉及LLM、RAG、生成式模型的项目
• 强调Python和PyTorch/TensorFlow的使用熟练度，可附上代码或GitHub链接
• 如有学术论文、竞赛获奖或技术博客，务必展示，以证明研究能力和创新思维
• 体现团队协作和沟通能力，有跨团队项目经验更佳
• 深入学习Transformer、大模型微调技术（如LoRA、PEFT）和RAG原理
• 动手实现一个小型生成式搜索或推荐demo，熟悉部署和调优流程

面试指南

• 回答项目经验时使用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，突出你的贡献和技术难点
• 对于技术概念题，先给出清晰定义，再结合实际应用场景解释，最后说明自己的实操经验或思考
• 对于开放性问题，展示逻辑思维：先拆解问题，再提出方案，最后评估优缺点和优化方向
• 请介绍一个你使用LLM完成的项目，具体做了什么，遇到什么问题？
• 什么是RAG？如何优化其效果？在搜索场景中如何应用？
• 你如何理解生成式检索？与传统检索的区别是什么？
• 如何对一个大模型进行微调？你在项目中用到了哪些技术？
• 给定一个推荐场景，如何用生成式技术生成推荐理由或内容？