大模型算法工程师-北京/成都（27届）

优缺点分析

角色解读

• 从初级算法工程师成长为大模型应用专家，深入掌握Agent构建与模型微调技术
• 未来可向大模型架构师、AI技术负责人或业务线AI产品技术总监方向发展
• 参与大模型应用研究，探索大模型结合企业特定知识解决业务问题的模式，并构建领域Agent
• 负责大模型训练数据的自动化处理全流程，包括数据搜集、预处理、打标、入库和检索
• 设计并实施Agent效果评估方案，持续优化模型在特定场景下的表现
• 扎实的机器学习基础，深入理解NLP和强化学习（RL）领域的核心技术
• 熟练掌握Python、Golang或Java至少一种语言，具备优秀的编码能力和数据处理算法实现能力
• 熟悉Spark、Flink、Hadoop等大数据开发工具，能够处理海量数据

申请策略

• 提前了解同程旅行的核心业务（如机票、酒店、旅游度假），思考大模型如何赋能这些具体场景，面试时提出建设性想法
• 突出在大模型、NLP或RL相关的项目经历，特别是涉及Agent构建、模型微调或RAG技术的实践
• 强调数据处理能力，展示使用Spark/Flink等工具进行海量数据清洗、预处理的实际经验
• 体现良好的工程代码能力，展示高质量的Python/Java/Golang代码仓库或开源贡献
• 深入学习LangChain、LlamaIndex等Agent开发框架，了解主流大模型的微调技术（如LoRA、P-Tuning）
• 熟悉强化学习在RLHF（基于人类反馈的强化学习）中的应用，补充相关理论和代码实践

面试指南

• STAR法则：针对项目经验，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化表达，突出个人贡献和技术深度
• 原理+实践：回答技术原理问题时，先简述核心概念，再结合具体代码实现或业务场景说明如何应用
• 请介绍一个你参与过的大模型或NLP相关项目，你在其中解决了什么核心技术难题？
• 在构建Agent时，如何处理大模型的幻觉问题？你了解哪些主流的评估和优化方案？
• 面对海量且质量参差不齐的业务数据，你会如何设计自动化数据清洗和打标的流程？
• 请解释一下RLHF的基本原理，以及它在当前大模型训练中的作用
• 复习NLP和强化学习的经典算法，重点准备大模型微调、RAG、Agent架构相关的技术细节
• 了解同程旅行的业务痛点，准备1-2个大模型在旅游场景（如智能客服、行程规划）落地的具体方案