算法工程师实习（可留用）

优缺点分析

角色解读

• 实习表现优秀可直接转正，成为核心算法工程师
• 可向大模型应用架构师、技术专家方向发展，深入业务场景
• 成长路径：实习生→算法工程师→高级算法工程师→技术专家/团队负责人
• 参与大模型的预训练、微调和强化学习全流程，包括数据处理、训练代码编写、模型评测和调优
• 构建大模型应用工具链，如prompt调优、RAG检索优化、前后处理等
• 负责Agent的搭建、评测与调优，并参与基准测试和评测体系建设
• 将大模型落地到智能外呼和智能客服等实际业务场景，并探索新技术
• 扎实的机器学习/深度学习基础，熟悉Transformer和大语言模型原理
• 熟练掌握Python和PyTorch，有主流开源大模型（Llama、Qwen等）实战经验
• 了解RAG、Agent、RLHF等技术，具备工程落地能力
• 优秀的沟通和协作能力，能在团队中高效推进工作

申请策略

• 了解货拉拉的业务（同城配送、智能客服、外呼），思考AI如何在货运场景创造价值
• 在申请中展现出对业务落地的兴趣，说明你不仅关注算法，也关注实际效果
• 突出大模型相关项目经历，尤其是微调、RLHF、RAG或Agent方向，写明你的具体贡献和量化结果
• 展示Python/PyTorch编程能力，附GitHub或代码示例，体现工程能力
• 如有学术论文、竞赛奖项或开源贡献，务必列出，增加竞争力
• 强调问题解决能力和学习热情，展示你能快速掌握新技术的潜力
• 系统复习大模型基础，掌握LoRA、P-Tuning等微调方法，熟悉RLHF流程
• 动手实现一个端到端RAG问答系统或Agent项目，并持续优化效果

面试指南

• 对于项目经历类问题，建议用STAR法则（情境-任务-行动-结果）叙述，突出个人贡献和量化成果
• 对于技术原理题，先讲核心概念，再结合你的实践，最后说出你踩过的坑和优化方向
• 对于开放场景题，遵循‘拆解问题→提出假设→给出方案→分析权衡’的框架，展示结构化思维
• 请详细介绍一下你使用大模型微调的项目，包括模型选择、数据规模、训练过程及最终效果
• 你如何评估一个Agent系统的好坏？你会设计哪些维度和指标？
• 讲解一下RAG的工作流程？当检索质量不高时你如何优化？
• 大模型推理速度慢时，你有哪些优化策略？
• 你认为大模型在智能客服场景中有哪些挑战，如何应对？