网约车平台公司-算法实习生（1）

优缺点分析

角色解读

• 实习期间可深入大模型 Agent 领域，积累项目经验，为校招奠定基础
• 有机会转正为正式算法工程师，专注于 LLM 应用或基础模型研发
• 未来可向技术专家或技术管理方向发展，尤其在智能助手、自动驾驶、AI 平台等热门赛道
• 参与大模型 Agent 的设计与开发，负责对话理解、任务拆解、工具调用等核心模块的迭代
• 应用 SFT、RL 等后训练技术优化模型性能，提升多步推理和 RAG 泛化能力
• 构建合成数据与奖励函数，探索少样本/无样本的 Agent 优化方法，推动技术前沿落地
• 跟踪国际先进技术，参与多 Agent 协作、复杂推理等方向的研究与工程实践
• 扎实的 Python 编程能力，熟悉机器学习与深度学习基础
• 对大规模预训练、模型对齐、强化学习、RAG 或 Agent 中至少一个方向有实战经验
• 具备动手能力和编程实力，能快速实现和验证算法想法
• 了解主流大模型框架（如 PyTorch）和常见 Agent 工具链

申请策略

• 关注滴滴实习生招聘渠道，可寻找内推机会
• 面试前了解滴滴出行业务和司机智能助手场景，思考技术如何切合业务需求
• 突出在预训练、对齐、强化学习、RAG 或 Agent 方面的项目经历，尤其是涉及大模型的实战案例
• 强调 Python 编程能力和技术深度，可附上 GitHub 或论文成果
• 体现对前沿技术的关注，如参与过开源项目、技术博客或相关竞赛
• 展示实习时间保证，明确每周可实习天数
• 提前熟悉大模型基础（Transformer 架构）和常用后训练方法（SFT、RLHF）
• 动手实现一个简单的 RAG 或 Agent 项目，积累工具调用和任务规划的经验

面试指南

• 项目经验回答采用 STAR 法则：情境、任务、行动、结果，重点突出技术难点和你的贡献
• 技术概念类问题，先解释定义，再结合项目经验说明应用，最后提出自己的思考
• 对于开放设计题，展示结构化思维，分步骤提出方案，并考虑利弊和替代方案
• 请介绍一下你参与过的一个大模型或 Agent 项目，具体做了什么？
• SFT 和 RL 在大模型优化中的应用有何区别？你如何选择？
• 如何设计一个奖励函数来提升模型在工具调用场景的效果？
• RAG 的常见流程是什么？如何解决检索质量不高的问题？
• 你如何跟踪 LLM 领域的前沿技术，并应用到实际项目中？