人工智能研发工程师

优缺点分析

角色解读

• 技术路线：从AI研发工程师成长为技术专家，深入大模型优化与架构设计
• 管理路线：累积项目经验后向技术管理或产品管理方向发展
• 行业路线：深耕特定行业（如政务、企业服务），成为行业解决方案专家
• 负责大语言模型和多模态模型的微调、对齐、量化压缩与推理优化，提升模型性能与部署效率
• 基于大模型底座开发行业AI应用，如智能问答、知识库问答、Agent智能体等，实现业务落地
• 制定AI产品线规划，构建解决方案体系，输出标准方案和白皮书
• 协助构建数据与知识治理体系，管理高质量数据集
• 扎实的机器学习/深度学习基础，熟悉大模型架构与训练推理流程
• 掌握模型量化、剪枝、蒸馏等优化技术，熟悉分布式训练与高并发部署
• 具备良好的编程能力（如Python、PyTorch）和工程化能力，能解决实际部署问题
• 良好沟通与跨团队协作能力，能参与产品规划

申请策略

• 了解浪潮AI产品线，如“浪潮云”等，在面试中展示行业认识
• 表达对AI技术落地和业务价值的理解
• 突出大模型相关项目经验，如微调、部署、优化案例
• 强调分布式训练、推理加速等工程化技能，列出具体效果
• 如有产品规划或方案撰写经验，加以展示
• 体现跨团队协作和独立解决问题的能力
• 学习大模型部署工具（如vLLM、TensorRT-LLM）和量化方法
• 了解主流Agent框架和多模态模型应用

面试指南

• 用STAR法则描述项目，强调技术难点和你的贡献
• 对比不同量化方法（如GPTQ、AWQ、GGUF）的特性和适用场景
• 从模型压缩、推理框架选择、硬件优化等角度回答
• 从规划、记忆、工具调用等核心模块解释Agent
• 强调技术选型要服务业务指标，并给出成本效益分析
• 请介绍一个你参与的大模型微调项目，如何优化推理性能？
• 如何进行模型量化？有哪些量化方案和优缺点？
• 在部署大模型时遇到显存不足怎么办？