2027届-博士-AIDD 算法工程师-北京总部

优缺点分析

角色解读

• 纵向深耕：成为AI与药物化学交叉领域的行业专家，主导核心算法与平台建设
• 横向发展：发掘管理潜质，向技术管理或研发管理岗位晋升，并获得股权激励
• 负责AI药物发现（AIDD）领域的技术架构设计与核心算法研发，构建多模态分子表征及预训练模型
• 结合大语言模型（LLM）与Agent技术，开发面向药物化学专家的智能辅助决策系统（Copilot）
• 协同跨学科团队（计算化学、实验团队等）推进模型落地，形成数据到实验反馈的闭环迭代
• 扎实的机器学习、深度学习及算法基础，熟悉多模态表征、预训练及微调技术
• 具备大语言模型（LLM）及Agent开发经验，能将其与科学计算工具（如CADD）结合
• 拥有跨学科沟通能力，能理解药物化学/生物学基础知识并与实验团队高效协作

申请策略

• 提前了解公司在AIDD领域的业务布局及最新研发动态，展现对公司战略的认同与业务理解
• 突出在机器学习、LLM或Agent方向的核心项目经验及学术成果（如顶会论文）
• 强调跨学科背景或项目经历，特别是与化学、生物或医疗数据相关的算法落地经验
• 展示独立主导科研项目的能力，以及带领团队或合作者推进项目的领导力
• 补充药物化学、计算化学（CADD）或生物信息学的基础知识，了解分子表征与反应机理
• 深入学习大语言模型在垂直领域的应用（如RAG、Agent工作流设计），提升工程化落地能力

面试指南

• STAR法则：针对项目经验，按情境、任务、行动、结果结构化回答，突出个人贡献与量化指标
• 闭环思维：在回答跨学科或落地问题时，强调“数据-模型-实验反馈”的迭代闭环逻辑
• 请介绍一个你主导的机器学习/深度学习项目，重点说明模型选型、优化过程及最终业务收益
• 如何将LLM/Agent技术与传统的CADD工具或化学专家知识库有效结合？
• 在跨学科团队合作中，如果计算结果与实验反馈不一致，你会如何排查和解决？
• 针对多模态分子表征，你了解哪些主流方法？如何评估模型的泛化能力和可解释性？
• 复习AIDD领域的经典算法与最新前沿论文（如基于LLM的分子生成、多模态分子表征）
• 准备1-2个能体现你解决复杂算法瓶颈或跨团队沟通能力的具体案例