知识库与系统记忆研究员/专家

优缺点分析

角色解读

• 可在知识库与记忆领域深耕，成为算法专家或技术负责人，主导智能体知识架构
• 横向发展至Agent规划、对话系统或大模型应用方向，拓宽AI全栈能力
• 参与顶会论文与开源项目，积累学术影响力，向研究科学家岗位进阶
• 设计知识和记忆的统一表示方案，将多源异构知识（如业务流程、FAQ、地图等）接入系统
• 研发基于RAG的检索与更新机制，包括切分、embedding、检索、重排、生成及质量评估
• 构建长期交互记忆模块，支持短期/长期/情境记忆，实现连续任务与用户偏好建模
• 建立指标闭环，监控命中率、有效性、时延等，并通过线上回放持续修复难例
• 精通RAG全流程，包括切分、embedding、检索、重排、生成和评测
• 扎实的信息抽取、知识表示或个性化推荐经验，具备相关项目或科研背景
• 熟悉数据版本管理、权限控制、回滚及质量评估等数据工程规范
• 具备与Agent/规划团队协作的沟通能力，能推动技术落地并提升交互一致性

申请策略

• 在邮件或求职信中表达对智能体记忆的独特见解，展示你对知识库与记忆闭环的理解
• 如有机会，提前了解智元机器人的业务场景（如机器人交互），准备相关想法
• 突出RAG相关项目经验，详细描述你在切分、embedding、检索、重排、生成各环节的具体贡献
• 展示信息抽取或知识表示方面的论文或专利，体现研究深度
• 列出开源贡献或顶会发表，证明技术影响力
• 强调数据规范意识，如版本管理、质量评估等工程实践
• 系统学习LangChain、LlamaIndex等RAG框架，并动手实现端到端流程
• 深入阅读最新RAG与记忆机制论文（如MemGPT），尝试复现关键方法

面试指南

• 对于RAG及指标问题：先阐述标准流程，再针对具体场景提出优化（如混合检索、评估指标设计），最后结合自己的经验给出实例
• 对于记忆机制设计：从用户需求出发，定义记忆类型，设计数据结构和更新策略，并考虑存储和效率
• 对于项目经验问题：采用STAR法则（情境-任务-行动-结果），突出技术难点与你的贡献
• 请详细描述RAG流程中如何做检索与重排，如何处理大规模知识库的时效性问题？
• 设计一个长期记忆机制，如何区分短期/长期/情境记忆并增量更新？
• 如何评估知识库系统的效果？你会使用哪些指标？如何通过线上回放修复难例？
• 你有过知识表示或个性化推荐的实践经验吗？请举例说明
• 如果知识库中的信息冲突，如何设计版本管理与回滚策略？