【提前批-平台研发】AI后端开发工程师

优缺点分析

角色解读

• 技术纵深发展：从AI后端工程师成长为AI架构师或大模型应用专家，深入底层优化与框架设计
• 横向扩展：向AI产品研发或全栈方向拓展，参与更大规模分布式系统建设
• 管理路线：积累项目经验后，可转向技术主管或架构组负责人，带领团队攻克难题
• 设计并开发AI后端服务，包括大模型API接入、RAG系统搭建等，支撑游戏业务智能化需求
• 负责服务端架构优化与技术攻坚，解决高并发、低延迟等工程难题
• 跟踪前沿AI技术（如MCP协议、多模态），进行技术预研与原型验证
• 参与代码审查和规范制定，保证系统高质量交付
• 扎实的编程基础：精通Java/C++/Python/Go中至少一门语言，Go优先，熟悉面向对象设计
• 大模型应用经验：熟悉OpenAI/Claude等API调用，理解SSE、上下文限制等工程细节
• 检索增强生成（RAG）实践：掌握文本分块、向量检索、重排等核心环节，了解主流向量数据库
• 架构与工程能力：有Agent框架（如AutoGen、LangGraph）使用经验，具备系统设计思维

申请策略

• 关注米哈游的校招动态和技术博客，了解公司技术栈偏好（如Go、AI方向），在面试中展现文化契合度
• 提前准备系统设计题：例如设计一个支持多轮对话的大模型API网关，体现对高并发和缓存的理解
• 突出与AI后端的相关项目经验，尤其是大模型API调用、RAG系统或Agent框架的实践
• 强调编程语言掌握情况，Go背景要单独列出，并展示代码规范（如GitHub链接）
• 体现独立解决问题的能力：可描述技术难题的排查、优化过程及量化成果
• 如有竞赛获奖、论文或开源贡献，务必突出，以证明学习能力和技术热情
• 系统学习Go语言（若当前不熟练），并掌握gin等常用框架，理解并发编程
• 动手搭建一个RAG demo：使用LangChain或类似框架，集成开源Embedding和向量数据库（如Milvus）

面试指南

• 对于系统设计题，采用“需求分析→模块划分→技术选型→性能优化”的框架，先明确场景和数据量级，再给出具体方案
• 对于语言特性题，结合实例说明（如对比goroutine与线程），并体现对底层原理（如GMP模型）的理解
• 对于行为问题，采用STAR法则，突出困难点、你的贡献和最终成果
• 请设计一个RAG系统的技术架构，并说明如何处理海量文档的高效检索
• 在Go中，如何实现一个高并发的HTTP服务器？请谈谈Go的goroutine和channel的原理
• 你如何选择大模型？在项目中调用OpenAI API时，如何处理流式响应和错误重试？
• 介绍一下你对MCP协议的理解，以及它在大模型应用场景中的作用
• 请描述一次你解决复杂技术问题的经历，你如何定位并修复问题？