算法工程师（大模型）

优缺点分析

角色解读

• 深耕大模型技术栈，成为算法专家或技术负责人
• 横向扩展至多模态、推理优化等前沿方向，参与顶会论文发表
• 在优酷内部晋升为高级算法专家或架构师，负责更大范围的搜索技术战略
• 研发大模型在搜索场景中的query理解能力，包括语义推理、意图识别、实体识别和文本纠错等
• 设计并优化LLM的规划-推理-反思闭环，提升模型的复杂任务拆解与自我纠错能力
• 探索前沿技术（如CoT、自洽性增强）在优酷搜索业务中的落地，并推动指标优化
• 扎实的深度学习基础，熟练使用TensorFlow或PyTorch等框架
• 精通C++优先，具备独立实现算法能力，有LLM实操经验（预训练、SFT、RLHF）
• 良好的逻辑分析和数理基础，了解强化学习、模型结构调优等方法

申请策略

• 准备一个与query理解或LLM推理相关的技术分享，展现深入理解
• 关注优酷搜索产品动态，思考如何用大模型优化现有体验
• 突出大模型相关项目经验，如预训练、SFT、RLHF等具体工作
• 展示C++或高性能编程能力，以及独立实现算法的经历
• 附上发表的论文、开源贡献或竞赛成绩，体现研究能力
• 系统学习CoT、自洽性推理等前沿论文，动手复现实验
• 强化C++编程，熟悉Pytorch分布式训练
• 了解搜索业务场景，尝试用大模型解决实际文本理解问题

面试指南

• 对于原理类问题，先给出数学定义（如公式），再结合项目实例说明应用
• 对于设计类问题，遵循“目标→方案→评估→迭代”的思维链条，突出可行性
• 对于开放问题，可先列出多种可能，再评估优劣并给出推荐方案
• 请解释Transformer的注意力机制及其在大模型中的优化方式
• 描述你参与过的大模型预训练或SFT项目，遇到的主要挑战是什么？
• 如何设计一个用于query意图识别的LLM prompt？
• 什么是思维链（CoT）？如何用其提升推理准确性？
• 在模型推理时，如何平衡速度和效果？