27秋招-AI应用开发工程师（北京）-5393(J12465)

优缺点分析

角色解读

• 深耕AI应用开发，成为RAG和大模型领域的技术专家，负责更复杂的系统架构设计
• 可向算法工程师方向发展，专注于检索算法优化、模型微调或知识图谱构建等更底层的技术
• 凭借项目经验和业务理解，未来也可转向AI产品经理或解决方案架构师等角色
• 构建和优化基于RAG技术的智能问答或知识库系统，负责从检索到生成的全链路开发
• 运用提示词工程（Prompt Engineering）来调试和提升大语言模型在具体业务场景下的输出质量
• 对接和集成国内外主流的大模型API，并探索其本地化部署方案，完成应用功能开发
• 熟练使用Python编程，并熟悉LangChain/LlamaIndex等主流AI应用开发框架
• 掌握RAG技术栈，包括向量检索、混合检索、重排序等核心原理与实践
• 具备扎实的数据库基础（MySQL, Redis, ElasticSearch），能用于支撑应用的数据存储与检索需求

申请策略

• 研究三六零在AI安全、搜索引擎或企业服务等领域的业务方向，思考AI应用开发如何赋能这些场景
• 面试时准备好清晰的项目经历讲述，尤其是遇到技术难点（如检索不准、生成效果差）时的排查和解决思路
• 突出任何与AI应用相关的项目经历，尤其是使用LangChain/LlamaIndex、进行检索优化或Prompt调优的实践
• 详细列出掌握的Python技能、AI框架以及数据库知识，并在项目经历中体现使用场景
• 如果申请长期实习，可强调对技术学习的持久热情和能够持续投入的时间保证
• 系统学习并动手实践RAG技术的完整流程，可以基于开源框架搭建一个简单的知识问答Demo
• 深入理解向量数据库（如FAISS）的原理与应用，并尝试对比不同检索策略的效果
• 关注主流大模型API的更新动态，并通过实践提升自己的提示词工程（Prompt Engineering）技巧

面试指南

• 对于RAG原理类问题，可按“索引-检索-生成”三阶段拆解，并重点说明向量检索、重排序等优化点的作用
• 对于工具使用类问题，结合具体代码或项目片段，说明框架如何帮助简化开发、以及在使用中遇到的实际问题（如文档解析、检索召回率低）和解决方法
• 对于评估和优化类问题，从定量指标（如准确率、召回率）和定性体验（如回答相关性、流畅度）两个维度展开，并联系具体业务场景
• 请描述一下RAG（检索增强生成）系统的基本工作原理和你理解的优化方向
• 在你之前的学习或项目中，有没有使用过LangChain或LlamaIndex？遇到了哪些挑战？
• 如何评估一个知识问答机器人的效果？你会关注哪些指标？
• 你认为在提示词工程中，有哪些关键因素会影响大模型的输出质量？
• 你对我们对接的某个大模型API（如DeepSeek）有什么了解？