智能体训练师

优缺点分析

角色解读

• 纵向深耕AI应用层，可向大模型产品经理、AI算法工程师或智能体架构师方向发展
• 横向拓展至业务数字化领域，成为懂技术又懂保险审批业务的复合型专家
• 随着企业AI化程度加深，可晋升为AI训练团队负责人或技术管理岗
• 负责审批垂直领域的知识图谱构建、更新与维护，为AI模型提供结构化数据支撑
• 编写与优化提示词（Prompt），进行模型选型与调优，持续提升模型输出准确率
• 主导模型从开发到上线的全流程测试与验证，搭建监控平台保障运行稳定性
• 熟练掌握提示词工程技巧，能够针对特定业务场景设计高效Prompt
• 具备知识图谱构建经验，熟悉图数据库或本体建模方法
• 掌握模型训练基础流程，了解数据标注规范与模型评估指标
• 具备较强的数据分析与问题排查能力，能快速定位模型异常原因

申请策略

• 提前研究平安在保险风控与审批领域的数字化布局，面试时可结合业务痛点提出优化思路
• 准备1-2个完整的模型调优案例，重点说明Prompt设计逻辑与效果验证过程
• 突出展示过往参与的知识图谱构建、数据标注或模型训练项目，量化准确率提升效果
• 详细列出掌握的提示词框架、模型评估方法及监控工具，体现工程化落地能力
• 强调跨部门协作经验，说明如何将技术成果转化为实际业务价值
• 系统学习LangChain、LlamaIndex等Agent开发框架，提升自动化工作流搭建能力
• 补充SQL与Python数据分析技能，强化模型指标监控与异常诊断效率
• 熟悉主流大模型API调用与微调流程，拓宽技术栈广度

面试指南

• 采用STAR法则（情境-任务-行动-结果）结构化回答，重点突出数据对比与迭代过程
• 遵循“问题定义-方案假设-实验验证-归因分析”的逻辑链条，展现工程化思维
• 结合业务目标与技术边界进行权衡说明，避免纯技术视角脱离实际应用场景
• 请分享一个你优化Prompt提升模型准确率的完整案例，你是如何评估效果的？
• 在构建审批领域知识图谱时，如何处理实体关系冲突或数据稀疏问题？
• 模型上线后出现指标波动，你的排查思路与监控平台设计是怎样的？
• 如何平衡模型泛化能力与特定业务场景的准确性要求？
• 复习大模型基础原理、Prompt设计范式（如CoT、ReAct）及常见评估指标