业务技术-【急聘】大语言模型（LLM）算法工程师-AI软件研发方向

优缺点分析

角色解读

• 在技术深度上，可成长为LLM预训练、对齐、推理等细分领域的专家，主导下一代模型架构的研发
• 在业务广度上，可深入理解软件研发全链路，成为连接AI技术与研发效能提升的关键人物，向技术Leader或架构师方向发展
• 依托阿里巴巴丰富的业务场景和海量数据，有机会将研究成果快速落地并产生巨大业务价值，获得快速的职业晋升
• 主导淘宝研发领域大模型的持续预训练、指令微调（SFT）和人类反馈对齐（RLHF/DPO），是模型能力的核心负责人
• 设计创新的数据方案，将代码、文档、配置等异构研发知识高效注入模型，并探索多任务学习、FIM等范式增强模型推理能力
• 建立科学的评测体系，评估模型在代码溯源、影响分析、故障排查等高阶任务上的能力，并分析bad case驱动数据和算法的闭环优化
• 精通Python，并熟练掌握至少一种深度学习框架（如PyTorch），具备扎实的工程实现能力
• 具备扎实的NLP基础和LLM（如GPT/Llama）项目经验，熟悉预训练、SFT、RLHF等关键技术，有实际的大模型训练和优化经验
• 理解软件研发全流程，熟悉代码分析、系统架构，具备将AI技术应用于软件工程（AI for SE）的思维和能力

申请策略

• 在申请时，可以主动表达对AI for Software Engineering领域的理解和热情，展现与团队目标的契合度
• 准备一个关于如何评估大模型在代码任务上能力的思考，展示你的系统化思维
• 重点突出LLM相关的项目经验，特别是预训练、SFT、RLHF等环节的实操细节和量化成果（如指标提升、成本降低）
• 强调软件工程背景，如代码分析、系统架构设计经验，以及任何将AI应用于开发工具、提效场景的案例
• 展示扎实的编程能力，在简历中明确列出精通的深度学习框架和关键工具链（如PyTorch、DeepSpeed等）
• 系统梳理LLM训练全流程知识，特别是RLHF的工程实现细节，并关注DPO等最新对齐技术
• 补充软件工程相关知识，如代码编译原理、静态分析、微服务架构等，以更好地理解业务场景
• 可以尝试在小规模数据集上复现一个简单的领域模型训练流程，加深对数据配比、训练策略的理解

面试指南

• 回答项目经验时，建议采用STAR法则（情境-任务-行动-结果），突出个人贡献和量化结果
• 对于技术理解类问题，建议从原理、实践、优缺点和适用场景几个维度展开，展现思考的深度和广度
• 对于开放性问题，可以结合具体案例，阐述你的分析框架和决策逻辑
• 请详细介绍一下你参与过的LLM训练项目，特别是如何处理数据、设计训练策略以及解决训练不稳定问题的？
• 谈谈你对RLHF和DPO的理解，它们在实践中的优缺点和适用场景是什么？
• 如何评估一个领域大模型在代码溯源或故障排查任务上的效果？你会设计哪些评测指标？
• 你如何理解软件工程思维？请举例说明你如何将AI技术应用于解决实际的软件研发问题
• 面对一个全新的、复杂的研发场景，你会如何拆解问题并设计技术方案？