大模型算法工程师

优缺点分析

角色解读

• 从大模型算法工程师向高级算法专家或技术负责人发展，主导核心算法方向
• 可转向AI架构师，负责整体AI系统设计与技术选型
• 也可深入Agent或多模态方向，成为细分领域专家
• 负责大模型的后训练与效果调优，包括监督微调、对齐优化等，提升模型性能和鲁棒性
• 研发智能体系统，建设上下文工程、记忆管理、工具调用和多Agent协同等全链路能力
• 跟踪LLM、Agent、多模态等前沿技术，快速复现并验证其在业务中的落地价值
• 参与方案设计、数据构建、模型训练、评估、部署及迭代优化，并沉淀技术文档
• 精通Python和Linux开发环境，具备良好的工程交付能力
• 深入理解Transformer架构、主流开源大模型及后训练、对齐优化流程
• 掌握Agent相关技术范式（ReAct、ToolUse、MCP、Multi-Agent等），有Agent Harness使用经验
• 具备系统设计、问题解决和跨团队协作能力，关注AI前沿技术

申请策略

• 投递前仔细研究联想AI部门的产品方向（如个人智能助手、企业AI解决方案），在面试中展现对业务的理解
• 准备一个你曾经主导的技术攻坚或优化案例，能清晰讲述技术挑战和解决方案
• 突出LLM或Agent项目实战经验，详细描述你在其中承担的角色和具体贡献
• 强调Python编码能力和工程化能力，可附上GitHub链接或技术博客
• 展示对Transformer、后训练、对齐优化等技术的深入理解，可以列举相关论文阅读或复现经历
• 如有Agent相关项目（如工具调用、多Agent协同），务必重点描述
• 如果缺乏Agent经验，可以自学LangChain、AutoGPT等框架，并动手搭建一个简单Agent demo
• 巩固大模型后训练实践，比如使用LoRA微调开源模型，并了解RLHF/DPO等对齐技术

面试指南

• 对于技术原理问题，先给出定义和核心公式/流程，再结合实际项目经验说明应用
• 系统设计题采用分步法：先明确需求边界，再拆解模块（如数据、模型、交互、评估），最后考虑扩展性和鲁棒性
• 开放性问题（如如何看待）要体现自己的思考深度：先肯定技术价值，再分析优缺点，最后联系实际场景
• 请解释Transformer的注意力机制原理，以及为什么它在大模型中有效？
• 你如何选择开源大模型进行微调？请描述一次你使用LoRA或QLoRA进行监督微调的经验
• 设计一个多Agent协同完成复杂任务的系统，你会如何架构？
• 如何评估一个Agent系统的性能？有哪些关键指标？
• 你如何看待MCP协议？它解决了什么问题？