研发数据自动化与智能化(BJ)(J20816)

优缺点分析

角色解读

• 技术专家路线：深耕半导体AI领域，成为计算机视觉、大模型应用或智能体方向的资深专家或架构师
• 技术管理路线：凭借出色的技术贡献和项目落地能力，逐步承担团队管理职责，带领团队攻克更复杂的工程AI难题
• 行业拓展：凭借在半导体制造AI的深度经验，可向芯片设计EDA、智能制造解决方案等更广阔的领域发展
• 开发并落地面向半导体制造的AI模型与算法，解决图像检测、数据分析等具体工程问题
• 研发AI智能体（Agent），利用大模型等技术，为半导体工程师的分析工作提供自动化工具，提升效率
• 针对特定工程问题建立数学或神经网络模型，进行数据挖掘与优化求解，形成系统化的解决方案
• 与产品、算法、工程等多部门协作，推动从需求分析到产品落地的全过程
• 扎实的AI技术功底，尤其需要计算机视觉、深度学习、大模型（LLM）与智能体（Agent）的实际开发经验
• 优秀的数学建模与数据分析能力，能够将工程问题转化为模型并求解
• 掌握GPU并行计算、C++/Python编程，并能快速复现前沿论文算法
• 良好的英语阅读与工程落地能力，能高效协作完成跨部门项目

申请策略

• 仔细研究长鑫存储及其竞争对手的业务，了解公司在存储芯片制造中的地位和面临的技术挑战
• 在简历和面试中，展现你对“用AI解决实际产业问题”的强烈兴趣和思考，而不仅仅是追求算法性能
• 突出与岗位高度匹配的AI项目经验，尤其是计算机视觉、大模型应用或智能体开发相关的项目，并详细说明技术选型、解决的问题和量化成果
• 强调数学建模能力，展示如何用数学或统计方法解决实际工程问题的案例
• 如有参加ACM/NOI等算法竞赛或AI竞赛的经历，务必在醒目位置列出
• 对于发表的学术论文，简要说明研究内容、创新点和与岗位的相关性
• 深入理解大语言模型原理及Agent（如ReAct）框架，可尝试搭建一个简单的智能体应用
• 学习半导体制造流程基础知识，了解量测、缺陷、良率等关键术语，以便更好地理解业务场景

面试指南

• 对于项目经验问题，采用STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)，重点突出你的技术决策和贡献
• 对于技术原理问题，先阐述基本概念，再结合具体应用场景（如半导体图像处理）进行说明，展示你的工程思维
• 对于开放性设计问题，从问题定义、数据特点、模型选型、评估指标、部署挑战等多个维度系统性地阐述思路，不必追求唯一解
• 请介绍一个你主导的AI项目，重点描述你如何将一个实际问题抽象为AI模型问题，并解决了哪些技术挑战？
• 你对AI Agent（智能体）的理解是什么？请结合你的项目经验，说明如何设计一个包含记忆、知识库的Agent系统？
• 如果让你对半导体晶圆图像进行缺陷检测，你会考虑哪些技术方案？可能遇到哪些数据或工程上的挑战？
• 请解释一下什么是“过拟合”，在你的项目中是如何诊断和解决这个问题的？
• 你为什么选择将AI技术应用于半导体制造领域？你认为这与在互联网公司做AI有什么不同？