算法工程师-A1

优缺点分析

角色解读

• 技术深度方向：从模型微调走向预训练、推理引擎优化，成为大模型架构师或AI技术专家
• 技术管理方向：积累端到端项目主导经验，逐步转型为技术Leader或AI团队负责人
• 行业应用方向：深入业务场景，成为AI解决方案专家，推动行业级AI应用落地
• 负责AI及智能体项目的端到端落地，包括大模型训练、微调、推理优化，解决模型效果、幻觉、效率等核心问题
• 构建并迭代AI全链路质量评估体系，通过提示词工程、自动化评测、A/B测试等手段提升模型质量和用户体验
• 将NLP/CV/ML等能力封装为标准化MCP工具或技能模块，沉淀可复用的技术资产，并赋能跨团队协作
• 持续跟踪大模型、智能体等前沿技术，探索创新场景落地，保持团队技术竞争力
• 精通Python，熟练掌握LangChain、Agno等至少一种主流大模型框架，深入理解LLM训练、微调、推理优化
• 具备智能体深度开发经验，熟悉核心架构设计、规划协同、记忆管理、工具调用、RAG及提示词工程
• 具备将模型能力工程化封装为可复用模块的实践经验，能够构建MCP工具/技能
• 结果导向，跨团队协作和项目落地能力强，能快速适应技术迭代

申请策略

• 在求职信中表达对AI前沿技术的热情和对业务落地的理解，强调自己既能研究又能工程
• 提前了解普华永道在AI领域的业务方向（如审计、咨询的AI应用），展示行业洞察
• 重点突出大模型/智能体项目的完整落地经历，包括模型训练、微调、RAG、工具调用等具体技术细节
• 展示Python和LangChain等框架的熟练程度，最好有代码片段或GitHub链接
• 强调跨团队协作和结果导向的软素质，用项目成果（如性能提升、成本降低）量化佐证
• 系统学习LangChain、Agno等框架，动手实现一个端到端的智能体Demo（如RAG+工具调用）
• 深入理解LLM微调技术（LoRA、QLoRA等）和推理优化（vLLM、TensorRT-LLM等），最好有实践笔记

面试指南

• 项目类问题：使用STAR法则（情境-任务-行动-结果），重点突出技术难点和自己的贡献
• 技术原理类问题：先阐述基本概念，再结合实际经验说明优化点，最后总结最佳实践
• 开放性设计问题：从需求分析、技术选型、方案设计、迭代优化几个维度系统回答，体现工程思维
• 请详细描述你参与过的一个大模型微调项目，包括数据准备、模型选择、微调策略和效果评估
• LangChain框架中Agent的工作原理是什么？如何设计一个多工具调用的Agent？
• 如何评估和缓解大模型的幻觉问题？请结合具体技术方案
• RAG系统中检索环节的优化策略有哪些？如何平衡检索效果与延迟？
• 假设我们需要将某个AI能力封装为MCP工具，请描述你的设计思路和实现流程