AI应用开发工程师（数字化平台）

优缺点分析

角色解读

• 技术方向：成长为AI架构师或算法专家，负责更复杂AI系统的设计与优化
• 管理方向：可晋升为技术主管或团队经理，带领团队进行AI技术研发
• 跨领域发展：积累大模型和NLP经验后，可转向AI产品、咨询或创业等方向
• 设计和开发AI开发平台及基础设施，使用Dify、FastGPT、LangChain等框架加速AI应用落地
• 优化意图识别、语义理解和RAG系统，提升知识问答效果和用户体验
• 主导大语言模型微调，应用LoRA、P-Tuning等方法确保模型准确性和安全性
• 将AI能力完整工程化，构建高可用、低延迟的服务并建立监控体系
• 熟练掌握Python/Go及至少一种深度学习框架（如PyTorch、TensorFlow）
• 具备Dify、FastGPT等AI平台二次开发或智能体构建的实际经验
• 有完整的大模型微调项目经验，熟悉LoRA、P-Tuning等高效微调方法
• 深入理解RAG系统，包括文档处理、检索算法、重排序和生成反馈闭环

申请策略

• 建议在简历中附上技术博客或GitHub链接，展示你对AI技术的热情和动手能力
• 提前了解深信服在AI领域的业务布局，思考如何将你的经验与公司需求结合
• 突出Dify、FastGPT等平台的实际项目经验，说明你在其中承担的角色和成果
• 详细描述大模型微调项目，包括数据准备、微调方法、效果评估等全过程
• 展示RAG系统优化案例，用量化指标（如准确率、召回率）证明改进效果
• 强调Python/Go编程能力、系统设计能力以及SDD开发范式的掌握
• 若缺乏平台开发经验，可提前学习Dify、FastGPT、LangChain等工具的官方文档和实战案例
• 巩固大模型微调知识，实践LoRA、P-Tuning等方法，并熟悉评估流程

面试指南

• 针对项目经验类问题，采用STAR法则（情境、任务、行动、结果）结构化回答
• 针对技术原理类问题，先概述核心概念，再结合自己的实践举例说明
• 对于系统设计类问题，从需求分析、架构选型、关键指标、容错降级等方面展开
• 请详细描述你使用Dify或FastGPT构建智能体应用的过程，遇到了哪些挑战？
• 你如何评估RAG系统的效果？请举例说明你优化检索或生成环节的具体方法
• 解释LoRA和P-Tuning的原理，并说明你在微调项目中如何选择超参数？
• 设计一个高可用的AI推理服务，你会考虑哪些关键指标和架构？
• 如何判断一个意图识别模型是否足够好？你通常会从哪些维度进行优化？