vivo
AI算法工程师
AI算法工程师
发布于 3 天前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Aigc
Llm
Rag
Rlhf
Sft
分布式系统
强化学习
值不值得投
76综合评分
综合评分 76
vivo大厂AI核心岗，技术栈极其前沿，成长空间大，但办公灵活性与WLB信息不明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
比人工智能中位数低
发布情况
新岗位 · 2 天前发布
公司情况
这家公司招聘很活跃
约 540 个在招
市场机会
选择面较广
杭州 · 人工智能 · 约 190 个在招
职位详情
关于这个职位
作为vivo的AI算法工程师，您将专注于大语言模型的后训练、业务智能体（Agent）的构建与用户记忆系统的设计
您的工作旨在将前沿的AI技术，如LLM微调、强化学习、RAG和Agent架构，应用于手机智能服务场景，以提升产品的核心用户体验和任务完成率
这是一个深度参与AI技术从研发到落地全过程的岗位
最低要求
扎实的 AI 核心技术背景：计算机相关专业硕士及以上学历，具备 3 年以上大语言模型（LLM）相关研发经验，深刻理解 Transformer 架构，熟悉 SFT、RLHF/RLAIF 等后训练全流程并有实际微调落地经验
深厚的 Agent 架构与编排能力：熟悉主流 Agent 框架（如 LangChain, LangGraph, AutoGen, Eino）或其底层原理，具备高并发、低延迟分布式调度系统的设计经验，能独立完成多智能体协同（Multi-Agent）、复杂任务流编排、记忆机制及状态机管理
具备Multi-Agent、Context Management、Memory、自我进化Agent等方向的研究或工程经验
工作职责
LLM 模型领域后训练：建设模型评测集、做对比选型与领域后训练全流程建设，包括偏好数据构建、奖励模型（RM）训练、DPO/RLHF 策略迭代
打通线上交互数据的自动化回流链路，构建数据飞轮
跟进学术与工业界前沿进展，持续提升模型在手机屏幕理解类任务上的表现
业务智能体（Agent）开发：负责基于大语言模型（LLM）构建手机智能体设计、开发与迭代
重点打造应用于 C 端的Agent，全面提升全链路的用户体验与任务完成率
用户记忆构建与RAG建设：针对业务数据，设计适合 Agent 引用与对齐的用户记忆数据与向量索引结构，引入自进化机制，并依托前沿的检索技术和上下文窗口压缩技术，与 LLM 深度融合，实现高精准、低延迟的主动智能服务体验
与产品、工程团队紧密协作，推动算法模型从实验到上线的全链路工程化落地，并建立科学的效果评估与迭代机制
持续跟踪AIGC、智能体、强化学习等前沿方向，结合手机业务特点开展技术预研与创新实验
优先资格
熟悉图像/视频生成模型技术，包括Diffusion、VAE、Transformer-based Generation等，有相关优化经验者优先
AI 洞察
优缺点分析
优点
- 技术栈非常前沿，直接接触和实践LLM、Agent、RLHF等当前最热门的AI技术方向
- 作为头部科技公司的核心研发岗，能接触大规模数据和真实业务场景，技术落地机会多
- 团队关注学术与工业前沿，鼓励技术预研与创新，个人技术成长空间大
- 技术要求高，需要扎实的理论基础和丰富的工程实践经验，学习曲线陡峭
- 作为C端产品核心模块，算法效果直接影响用户体验，对技术可靠性和迭代速度要求高
- 需要持续跟踪AIGC等快速演进的前沿领域，保持高强度的学习状态
- 适合具备扎实AI算法基础、特别是LLM后训练与Agent开发经验，对技术落地有热情，并追求在前沿技术领域快速成长的工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕LLM、Agent等方向，成为领域内的技术权威，参与前沿技术预研
- 技术管理路线：在积累技术深度和业务理解后，可转向带领小团队负责更复杂的AI项目
- 跨领域发展：结合手机终端特性，向端侧AI、多模态交互等更广阔的智能交互领域拓展
- 负责大语言模型的后训练全流程，包括数据构建、模型微调（SFT/RLHF）与性能优化
- 设计与开发基于LLM的手机端智能体（Agent），打造提升用户体验的主动服务
- 构建智能体的用户记忆系统与RAG，实现个性化、精准的智能响应
- 与产品、工程团队协作，确保AI算法从研究到产品落地的全链路有效性
- 精通大语言模型（LLM）的训练与优化技术，尤其是后训练（SFT、RLHF）环节
- 熟练掌握主流AI Agent框架原理与分布式系统设计，具备多智能体协同开发能力
- 在RAG、向量检索、记忆机制等AI应用领域有扎实的工程或研究经验
- 具备将前沿AI技术与实际业务场景结合，并推动工程化落地的能力
申请策略
- 在简历或面试中，可准备一个关于如何构建数据飞轮或设计Agent记忆机制的具体思考案例
- 主动了解vivo的AI产品布局和战略方向，思考如何将该岗位的工作与公司长远目标结合
- 重点突出在LLM微调（SFT/RLHF/DPO）、Agent开发、RAG构建等方面的具体项目经验和成果
- 详细描述参与过的分布式系统设计或多智能体协同项目，体现工程架构能力
- 展示对Transformer架构的深刻理解，以及在相关领域发表的论文或开源贡献（如有）
- 强调与产品、工程团队协作推动项目从0到1落地的成功案例
- 系统梳理和深化对RLHF、PPO、DPO等强化学习算法的理解与实践经验
- 深入学习并动手实践LangChain、LangGraph等主流Agent框架，理解其设计哲学
面试指南
- 对于技术项目问题，采用STAR法则：背景-任务-行动-结果，重点阐述技术选型、难点攻关和量化收益
- 对于系统设计问题，先明确核心目标和约束，然后分模块阐述设计思路，强调可扩展性、性能和容错机制
- 对于开放性问题，结合自身经验、对行业趋势的理解以及对业务场景的分析来构建有深度的回答
- 请描述你做过的最复杂的一个LLM后训练项目，你负责了哪些环节，遇到了什么技术难点，如何解决的？
- 如何设计一个多智能体（Multi-Agent）协同完成复杂任务的系统？请画出架构图并说明关键点
- 在构建用户记忆系统时，如何平衡记忆的全面性、准确性和检索的实时性？
- 你对当前手机端AI智能体的应用场景和挑战有什么看法？
- 如何评估一个AI Agent在实际业务中的效果？你会设计哪些核心指标？
职位点评
薪资福利75
成长发展90
工作生活60
使命价值75
薪资福利
75中等
作为头部科技公司的核心技术岗，薪资福利体系通常具有市场竞争力，但具体待遇未在JD中披露。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
该职位涉及LLM、Agent、强化学习等最前沿的AI技术，且有持续的技术预研要求，对个人技能成长和行业视野拓展帮助极大。
技术前沿前沿/新兴技术
技术栈LLM、RLHF、DPO、Agent、RAG、Transformer、Multi-Agent、Diffusion
成长机会持续提升、跟进学术与工业界前沿进展、技术预研与创新实验
业务类型profit_center
工作生活
60中等
JD中未提及任何关于办公模式、工作时间或WLB的信息，无法判断其灵活性。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
通过前沿AI技术赋能亿万手机用户，提升其智能服务体验，具有一定的产品使命感和创新价值。
行业发展高速增长赛道
社会影响中性/一般
使命信号全面提升全链路的用户体验与任务完成率、实现高精准、低延迟的主动智能服务体验
创新程度开拓性创新（行业首创）
vivo 的其他在招职位
相似职位推荐
Watch Jobs