Delivery Consulant/Senior Consultant-AI-GDC-CQ技术与转型

优缺点分析

角色解读

• 纵向可沿咨询技术序列晋升：顾问 → 高级顾问 → 经理 → 高级经理 → 总监/合伙人，本岗位已明确包含带小团队与承接技术决策的成长通道
• 横向可发展为 AI 架构师或企业级 AI 平台负责人，积累多行业客户案例后议价能力显著提升
• 若偏好产品侧，也可转向 AI 解决方案 / 售前架构方向，把技术能力转化为方案与商务影响力
• 主导企业级 AI 应用的整体架构设计与技术选型，把 Agent、RAG、工作流系统从 0 到 1 做出来并交付给客户
• 亲自写核心代码：LLM 调用链路、工具编排、记忆系统、Prompt 工程，不只是画架构图
• 对接产品与业务方，把模糊的业务需求拆成可落地的技术方案，并主导 Code Review 保证交付质量
• 带 3～5 人小组推进项目交付，逐步接手团队管理与技术决策
• Python 后端能力是基础，需精通 Python 并熟悉 FastAPI / Flask 等框架，能独立完成服务端开发
• 必须有真实的 LLM 应用落地经验：至少独立完成过一个 Agent / RAG / Function Calling / MCP / 工作流编排项目，能讲清需求到上线的全链路
• 熟悉至少一种开源 Agent 框架（LangGraph、CrewAI、Dify、OpenManus 等），能评估选型并做二次开发
• 架构设计与工程规范能力：能独立完成系统设计、输出技术文档、制定代码规范
• 沟通表达能力同样关键，要能和不懂技术的业务方对话

申请策略

• 投递前了解德勤 GDC 的交付模式与主要服务行业，面试中体现你理解「咨询交付」与「产品研发」的差异
• 可以准备一个可演示的开源项目或 Demo 链接，这类岗位对「真的做过」的验证非常看重
• 重点写你独立或主导完成的 LLM 应用项目：说明业务场景、你负责的模块、技术选型理由，以及上线后的量化效果（如准确率、响应时延、节省人力）
• 列出具体用过的框架与工具链（LangGraph / Dify / FastAPI / MCP / Docker / K8s 等），避免只写「熟悉 AI」
• 突出工程规范相关经历：Code Review 机制、技术文档输出、代码规范制定，这是 JD 明确要求的
• 如果有带人、带小组或 Tech Lead 经历，即使只是 2～3 人的小项目也要写清楚职责与结果
• 补齐 Agent 框架的实操深度：至少用 LangGraph 或 Dify 完整搭一个带工具调用与记忆的多步 Agent，理解其编排与扩展机制
• 补 MLOps / LLMOps 侧能力：Docker、K8s 部署、模型评估与监控指标设计，这是加分项也是交付落地的必备环节

面试指南

• 项目类问题用 STAR 结构：背景与业务痛点 → 你的角色与关键决策 → 技术方案与取舍理由 → 量化结果与复盘反思
• 选型类问题先讲评估维度（团队熟悉度、生态成熟度、可维护性、部署与成本），再给结论和放弃的方案，体现判断力而非追新
• 需求拆解类问题按「业务目标 → 用户场景 → 能力边界 → 技术模块 → 验收指标」分层展开，展示流程化思维
• 请完整讲一个你主导过的 LLM 应用项目：业务需求是什么、为什么这样选型、上线后效果如何？
• 在 Agent / RAG 方案里，你如何做技术选型？比较过哪些框架，取舍依据是什么？
• RAG 场景下召回不准或幻觉严重时，你的排查与优化路径是什么？
• 如果业务方给了一个模糊需求（如「做个智能客服」），你如何拆解成可落地的技术方案？
• 你有带小团队的经验吗？如何做 Code Review 和把控交付质量？