优酷-大模型算法-杭州

优缺点分析

角色解读

• 在优酷及阿里体系内，可向大模型算法专家或技术Leader方向发展，负责更复杂的搜索与推荐算法
• 有机会深入Agent、多模态等前沿方向，成为大模型应用领域的资深专家
• 可横向扩展到阿里集团其他业务线（如电商、云计算）的算法团队，职业路径宽广
• 主导大模型在搜索场景下的Query理解研发，包括意图识别、实体抽取、语义纠错和Query改写扩展，提升模型对自然语言指令的解析精度
• 研发多轮对话中的上下文工程算法，确保LLM在复杂交互中的语义连贯性和记忆准确性
• 探索Agent前沿技术，构建Query理解与系统优化的自动化Agent闭环机制，推动搜索体验智能化升级
• 扎实的NLP理论基础，精通Transformer架构，熟悉LLM后训练技术（CPT、PE、SFT、RL等）
• 熟练使用PyTorch等深度学习框架，掌握Python、C++或Java至少一种编程语言
• 有纠错、实体识别、意图识别、Query改写等方向的实际项目落地经验
• 熟悉Linux环境，了解主流大模型训练框架（如LlamaFactory）和推理部署工具（如vLLM）

申请策略

• 了解优酷的业务特点，特别是搜索和推荐场景，准备相关业务思考
• 在面试中展示对业务的理解，强调算法优化如何转化为业务增量
• 突出大模型后训练（SFT、RL）和Query理解相关项目的实际落地成果，量化业务提升
• 强调在意图识别、实体抽取、语义纠错等方向的技术深度和项目经验
• 展示Python/PyTorch等工程能力，以及使用vLLM、LlamaFactory等工具的经验
• 补充Agent相关技术知识，了解ReAct、Plan-and-Execute等Agent框架
• 熟悉主流大模型训练和推理优化技术，如LoRA、量化、分布式训练
• 关注搜索场景下LLM应用的最新论文和业界实践

面试指南

• 结合具体项目，用STAR法则（情境、任务、行动、结果）清晰阐述，突出技术难点和业务价值
• 回答技术问题时，先阐述原理，再结合业务场景给出具体方案，体现业务Sense
• 对于开放性问题，展现系统化思考，从数据、模型、工程、评估等多维度分析
• 如何设计一个基于LLM的Query改写系统？请结合具体业务场景
• 在多轮对话中，如何解决上下文丢失和记忆准确性问题？
• 你如何评估LLM在Query理解任务上的效果？有哪些指标？
• 介绍一个你主导的大模型项目，遇到的最大挑战是什么？如何解决？
• 如何将Agent技术应用到搜索场景中？