算法高级工程师

优缺点分析

角色解读

• 技术专家路线：在多智能体、大模型与知识图谱融合等垂直方向深耕，成为领域内的技术权威
• 架构师路线：负责更复杂、跨业务线的AI平台架构设计，提升技术对业务的系统性赋能
• 技术管理路线：带领小型算法团队，负责相关业务线AI技术的规划与落地
• 负责金融领域（如智能客服、AI办公）核心业务的智能产品研发与算法方案设计，解决高并发、高可用的实际问题
• 主导构建基于大语言模型的多智能体协同系统，研究如何结合知识图谱进行复杂推理与规划
• 对大语言模型进行深度微调（SFT/RLHF），通过数据闭环持续提升模型在垂直业务场景的性能与效果
• 搭建和维护企业级的Agent平台，将AI能力封装并赋能给数据分析、报告生成、用户预测等复杂业务场景
• 扎实的算法与编程基础，需精通Python，并熟悉Rust等系统级语言进行性能优化
• 深入理解Transformer、GPT等主流大模型的架构原理，并具备模型效果调优的独立实战能力
• 精通多智能体（Multi-Agent）系统的架构设计与协作机制
• 熟悉知识图谱的构建、图神经网络（GNN）及表示学习，并能将其与大模型结合解决实际问题

申请策略

• 研究中国平安的科技战略和主要金融业务板块（如银行、保险、科技），思考AI技术在这些场景中的具体应用点
• 准备一个能清晰展示你如何将先进算法（特别是LLM/Agent技术）与实际业务问题相结合并产生价值的项目故事
• 重点突出参与过大模型（如LLM）微调、训练或应用的相关项目经验，尤其是使用SFT、RLHF等技术的实践
• 详细描述在多智能体系统、知识图谱或图神经网络方面的项目经历或研究成果
• 强调使用Python进行复杂系统开发的经验，以及解决高并发、性能优化问题的案例
• 如有Rust或其他系统语言经验则更佳
• 展示对Transformer、BERT、GPT等主流模型架构原理的深刻理解，不仅仅是使用层面
• 深入学习并动手实践多智能体框架（如AutoGen, LangGraph等），理解其底层协同机制

面试指南

• 使用STAR法则（情境、任务、行动、结果）清晰描述项目经历，突出你的个人贡献和技术深度
• 对于系统设计类问题，先阐述需求分析和核心挑战，再分模块讲解架构设计（如Agent管理、通信、记忆、工具调用），并说明技术选型理由
• 对于算法原理类问题，结合具体业务场景（如客服对话、报告生成）解释技术如何应用，体现理论与实践的结合
• 请介绍一个你主导或深度参与的大模型应用或优化项目，遇到了哪些技术难点，如何解决的？
• 如何设计一个用于复杂客服场景的多智能体协同系统？请描述你的架构思路
• 知识图谱如何与大语言模型结合，以解决模型幻觉（Hallucination）或提升事实准确性？
• 在大模型微调（如SFT、RLHF）中，如何设计和构建高质量的指令/反馈数据？
• 如果让你从零开始建设一个企业级的Agent平台，你会考虑哪些核心模块和技术选型？