NLP/LLM& AI Agent科学家_CR

优缺点分析

角色解读

• 技术深度方向：从单领域代理转向通用工业AI架构师，成为LLM agent在制造业的权威专家
• 技术管理方向：带领团队孵化前沿AI项目，逐步晋升为研究经理或首席科学家
• 跨领域延伸：积累工业知识后，可向产品化或战略方向转型，推动AI在博世全球业务中的规模化应用
• 主导基于LLM的智能代理系统设计与开发，涵盖记忆、规划、工具调用和RAG等核心模块，应用于博世工业制造场景
• 执行LLM的后训练和对齐（如指令微调、偏好优化），将通用大模型转化为适合特定工业任务的高精度版本
• 与工业领域专家协作，用NLP技术从生产数据中提取洞察，并推动成果落地为实际生产级解决方案
• 精通Python和LLM开发工具链（Transformers、PyTorch、LangChain等），能独立构建端到端代理系统
• 深入理解LLM后训练流程（SFT、RLHF、LoRA等），有实际微调经验
• 扎实的NLP和机器学习基础，熟悉RAG、知识图谱等知识增强技术
• 英语技术沟通能力强，能参与国际合作和论文撰写

申请策略

• 博世重视创新和团队合作，在简历和面试中突出你如何将研究与实际应用结合，以及跨团队协作经验
• 提前研究博世在工业AI方面的公开资料（如博世AI白皮书），在面试中展现对公司的了解
• 突出LLM微调（SFT、RLHF）或代理开发（LangChain、RAG）的完整项目经历，写明技术细节和量化成果
• 强调在NLP顶会（ACL、NeurIPS等）发表的论文或相关专利，体现研究能力
• 如果有工业制造或知识图谱相关经验，务必单独列出，与岗位高度匹配
• 展示Python工程能力，比如开源贡献或高性能代码实现
• 若尚未接触LangGraph或CrewAI等最新框架，建议快速上手并做一个小型agent demo
• 补充对工业领域基础知识的了解（如制造流程、工艺数据特点），可在面试中展现行业理解

面试指南

• STAR法则：针对项目类问题，按情境-任务-行动-结果结构回答，重点突出技术方案和量化指标
• 对比分析框架：当被问到方法比较时，先说明各方法原理，再从精度、效率、可扩展性等维度对比，最后给出场景化建议
• 应对开放式设计问题：先明确需求约束（如实时性、数据隐私），然后分模块（感知-推理-执行）阐述设计思路，并主动提及潜在风险和对策
• 请详细描述你做过的一个LLM微调项目，包括数据准备、模型选择、调参过程和效果评估
• 如何设计一个用于工业质检的agent系统？需要考虑哪些可靠性问题？
• 你对RAG有什么理解？如何优化检索质量以适配工业领域的长尾知识？
• 请比较几种参数高效微调方法（LoRA、QLoRA、Adapter）的优缺点及适用场景
• 如果LLM在工厂环境中出现幻觉或错误决策，你会如何应对和防范？