业务技术-AI Agent 后训练专家（急招）-电商交易方向

优缺点分析

角色解读

• 技术专家路线：在AI Agent领域持续深耕，成为电商场景下Agent架构与应用的顶尖专家，主导核心技术的演进
• 技术管理路线：随着项目规模扩大，有机会带领技术团队，负责更大范围的业务技术规划和团队建设
• 业务与技术复合路线：深入理解电商业务，成为连接技术与业务的桥梁，推动AI技术在更多业务场景的落地和创新
• 设计并落地面向电商交易场景（下单、订单、售后等）的生产级AI Agent系统，负责从需求分析到线上运营的全链路
• 负责大模型应用工程化，包括数据处理、Prompt工程、模型选型与调优，并探索SFT、RLHF、RAG等前沿技术在业务中的实践
• 构建高并发、低延迟、高可用的Agent推理服务，并建立监控、日志、链路追踪等可观测性体系，保障系统稳定性
• 建立Agent效果评估体系，通过AB测试、badcase分析等方式持续优化模型能力和系统鲁棒性，并与多团队协作推广技术应用
• 必须具备线上大规模（日活万级以上）Agent系统的实际落地经验，并能清晰阐述架构设计、技术选型和线上挑战的解决方案
• 深入掌握LLM后训练流程（数据预处理、Prompt工程、模型微调）和Agent核心技术（ReAct、CoT、Tool Use、Memory Management、Multi-Agent）
• 具备扎实的工程化能力，熟悉Python/Java，了解微服务、缓存、消息队列，并有高并发、低延迟在线推理服务的开发经验
• 具备优秀的跨团队协作和推进能力，结果导向，能在不确定性中快速试错和迭代

申请策略

• 在申请材料中，除了技术能力，也要展现你对电商业务的理解，例如对GMV、转化率、客服效率等核心指标的认知
• 可以提前了解淘天集团在AI Agent领域的技术博客或公开分享，在面试中展现你对团队技术方向的了解和思考
• 重点突出你主导或深度参与的大规模Agent系统项目，详细描述系统架构、技术选型、线上挑战（如幻觉、延迟、成本）及解决方案
• 用量化数据展示你的成果，例如Agent调用量、自动化率提升、客服效率提升百分比、成本降低幅度等，这是证明业务价值的关键
• 清晰列出你掌握的LLM后训练技术（SFT、RLHF、RAG）和Agent核心技术（ReAct、CoT、Tool Use等），并说明在项目中的具体应用
• 强调你的工程化能力，包括高并发系统开发经验、性能优化手段（量化、剪枝、Cache）以及容器化技术（Docker/K8s）的使用
• 系统梳理并深化对LLM后训练全流程的理解，特别是SFT和RLHF的实践细节，以及RAG在不同场景下的优化策略
• 深入研究Multi-Agent协作框架和最新的Agent范式（如规划、反思、工具使用），并思考其在电商场景的潜在应用

面试指南

• STAR法则：针对项目经验类问题，清晰阐述情境(Situation)、任务(Task)、行动(Action)和结果(Result)，重点突出你的个人贡献和量化成果
• 技术选型对比法：在回答技术选型问题时，从业务需求、效果、成本、延迟等多个维度进行对比分析，展现你的决策逻辑和权衡能力
• 指标驱动法：在回答效果评估问题时，强调以业务指标为导向，建立从模型指标到业务指标的映射关系，并说明如何通过AB测试和badcase分析驱动迭代
• 请详细描述你过去主导的一个大规模Agent系统，包括架构设计、技术选型、遇到的线上挑战（如幻觉、延迟、成本）以及你是如何解决的？
• 在LLM后训练（SFT/RLHF）和RAG之间，你如何根据具体业务场景进行技术选型？请结合电商交易场景举例说明
• 如何评估一个Agent系统的效果？你会设计哪些核心指标，并通过什么机制形成迭代闭环？
• 在构建高并发、低延迟的Agent推理服务时，你采取了哪些性能优化和成本控制手段？
• 请举例说明你如何与产品、业务、数据等跨团队协作，推动一个AI项目从0到1落地并产生业务价值