智能算法产品事业部-大模型算法（Agent方向）-杭州

优缺点分析

角色解读

• 技术专家路线：深耕Agent与大模型技术，成为电商AI领域的顶尖算法专家或架构师
• 技术管理路线：凭借出色的技术攻坚和业务洞察能力，带领团队解决更复杂的业务问题
• 产品影响力路线：技术与业务紧密结合，参与或主导定义下一代电商智能交互产品形态
• 设计与研发驱动淘宝全场景的多轮需求预测AI Agent，使其能在用户购物旅程中智能引导
• 攻克Agent在实时交互中的核心难题，如长程信用分配、自进化机制和毫秒级推理优化
• 构建支撑复杂电商场景的Agent记忆系统，管理用户多模态行为信息并实现精准沉淀
• 优化多模态数据的压缩与融合方案，将不同场景的能力蒸馏到一个统一的视觉语言模型中
• 精通大语言模型（Dense/MoE）及多模态模型的原理与实战，具备扎实的理论基础
• 深入理解Agent架构，尤其在Memory或强化学习（Agentic RL）方向有项目落地经验
• 掌握模型后训练技术（如SFT、DPO、OPD等），并有将大模型应用于实际业务场景的经验
• 熟悉搜索、广告、推荐系统的核心逻辑，有生成式或检索式算法经验者更佳

申请策略

• 准备一份详细的项目复盘，尤其是你如何分析、定义并解决一个复杂技术挑战的完整过程
• 思考并阐述你对“电商场景下Agent的特殊挑战”（如隐式反馈、实时性）的理解和可能的解决方案
• 关注淘宝首页及相关产品的产品形态，理解其导购逻辑，思考你的技术如何能赋能其中
• 重点突出与大语言模型、多模态模型、Agent系统相关的项目经验，特别是涉及强化学习、记忆机制、长序列推理的部分
• 详细描述在推荐/搜索/广告算法领域的实践经验，说明如何将算法应用于提升业务指标
• 展示在应对高并发、低延迟等工程化挑战方面的经验，体现算法与工程结合的能力
• 深入学习当前主流的Agent架构范式（如ReAct, Toolformer等）及其优缺点
• 研究多模态大模型的训练与应用技术，特别是视觉语言模型（VLM）的压缩与蒸馏方法

面试指南

• 采用STAR法则，清晰说明背景、任务、行动和结果，突出技术选型和创新的思考过程
• 从问题定义、技术方案对比、系统设计、效果评估等多个维度系统性地阐述你的解决方案
• 诚实讨论权衡，例如在性能与效果、实时性与准确性之间如何做取舍，并说明理由
• 结合电商场景特点，说明你的方案如何适应业务约束（如高并发、冷启动、实时反馈）
• 请描述一个你设计或参与开发的复杂Agent/系统，其中遇到的最大的技术挑战是什么？你是如何解决的？
• 在电商场景下，用户的多模态行为序列（点击、浏览、搜索、停留时间等）如何建模才能更准确地预测用户需求？
• 如何让一个基于大模型的Agent具备‘记忆’能力？并如何平衡记忆的容量、更新速度与检索效率？
• 对于‘毫秒级延迟’和‘大模型推理计算量’之间的矛盾，在系统架构上有哪些可能的优化思路？