集团总部-开发工程师49117

优缺点分析

角色解读

• 从大模型应用开发工程师向AI架构师或AI技术专家方向发展
• 未来可深入智能驾驶、智能座舱等车企核心AI业务，成为汽车智能化领域的复合型技术领军人才
• 负责大语言模型和多模态大模型在长城汽车智能化业务中的工程化落地与架构设计
• 对接业务团队拆解需求，完成从Demo验证到上线的全周期开发
• 配合团队进行大模型的本地化部署、量化压缩与推理加速优化，保障服务高可用
• 熟练掌握大模型应用开发技术栈，如Agent、RAG、多智能体框架等
• 具备大模型工程架构设计能力，熟悉模型本地化部署、量化压缩及推理加速技术
• 拥有良好的业务理解能力，能将复杂业务场景转化为可落地的算法技术方案

申请策略

• 了解长城汽车在智能化、智能座舱及自动驾驶方面的最新业务布局，面试时可结合具体业务场景阐述大模型的应用构想
• 重点突出大模型工程化落地经验，如Agent、RAG、知识库问答等项目的完整开发周期
• 展示在模型本地化部署、量化压缩、推理加速及并发优化方面的具体成果与性能指标
• 强调将业务需求转化为技术方案的拆解与落地能力
• 深入学习主流大模型推理框架（如vLLM、TensorRT-LLM）及模型量化压缩技术
• 熟悉多智能体框架（如AutoGen、LangGraph）及企业级RAG架构设计

面试指南

• 采用STAR法则描述项目：背景（业务痛点）-> 任务（技术目标）-> 行动（架构设计、模型选型、推理优化等具体技术细节）-> 结果（性能指标提升、业务收益）
• 对于系统设计问题，从需求分析、技术选型、架构设计、性能优化、监控运维等维度全面展开
• 请分享一个你主导的大模型工程化落地项目，遇到了哪些技术难点及解决方案？
• 在模型本地化部署和推理加速方面，你做过哪些优化？如何保障高吞吐和低延迟？
• 如何设计一个企业级知识库问答（RAG）系统？如何优化检索和生成效果？
• 当业务需求模糊时，你如何将其转化为具体的大模型算法落地方案？
• 复习大模型推理加速原理（如KV Cache、PagedAttention、量化算法）及主流开源框架的底层机制
• 准备1-2个完整的RAG或Agent项目案例，能够清晰画出系统架构图并讲解核心链路