高级算法工程师

优缺点分析

角色解读

• 向算法专家或技术Leader方向发展，深耕LLM/Agent领域
• 未来可转入更广泛的AI应用或自动驾驶等方向
• 在滴滴内部有机会参与核心算法决策，晋升至高级技术管理岗
• 利用LLM对POI数据进行属性识别和特征提取，提升数据准确性
• 训练智能体（Agent）基于人工反馈完成数据自动化更新，降低人工成本
• 研究多模态对齐方案，融合图像、文本和位置信息，优化模型性能
• 熟悉NLP算法和LLM的后训练（post-train）技术
• 掌握强化学习算法，如PPO、GRPO，并有Agent训练经验
• 具备自驱力和技术热情，能持续追踪LLM/Agent前沿进展

申请策略

• 面试前准备一个完整的LLM落地案例，展示从模型选择到效果评估的流程
• 了解滴滴地图POI业务痛点，思考技术如何解决实际问题
• 突出NLP和大模型（LLM）相关项目经验，尤其是post-training或微调
• 展示强化学习或Agent训练的实际成果，如自动化任务案例
• 提及多模态相关研究或项目，体现跨领域能力
• 强调自驱学习和追踪技术前沿的经历，如开源贡献或技术博客
• 深入理解PPO/GRPO等强化学习算法的原理和实现细节
• 学习多模态对齐的最新论文和方法，尝试复现

面试指南

• 用STAR法则（情境-任务-行动-结果）结构化描述项目经验，突出技术细节
• 对比不同方法时，从原理、适用场景、效果差异等角度分析
• 结合业务场景，说明技术选型的考量，体现问题解决能力
• 请描述你使用LLM进行post-training的经验，包括数据、方法和效果
• PPO和GRPO的主要区别是什么？在Agent训练中如何选择？
• 如何训练一个Agent来替代人工完成数据更新任务？请举例
• 在多模态对齐中，如何处理空间位置信息（如坐标）？
• 如何评估POI数据质量？有哪些指标？