业务技术-高级AI应用研发专家-知识工程方向

优缺点分析

角色解读

• 技术专家路线：深耕知识工程与AI基础设施领域，成为业界顶尖的技术权威
• 技术管理路线：从负责单个模块扩展到领导更大的AI平台或算法团队，参与技术战略制定
• 业务影响路线：将知识工程能力与具体业务场景深度结合，推动AI在电商、运营等领域的商业化落地
• 设计和主导构建企业级AI系统的知识核心，为上层业务Agent提供精准、统一的知识供给
• 管理并处理来自文档、对话、数据库等多源的异构信息，将其转化为可供AI理解和使用的结构化知识
• 负责知识系统的全生命周期管理，包括采集、提取、检索、质量评测与持续优化，形成一个能自我进化的“知识飞轮”
• 具备完整的RAG系统落地经验，精通从数据解析、向量检索到效果评测的全流程技术
• 拥有大规模系统架构设计能力，能处理高并发、多源数据融合与复杂的检索策略
• 熟悉LLM Agent的工作原理，能从系统设计层面解决Agent的“记忆”和“上下文”问题
• 具备数据治理与评测方法论，善于用量化指标驱动系统优化和团队技术决策

申请策略

• 仔细研读JD，理解“知识飞轮”、“上下文供给”等概念，并在简历和面试中体现对此的深入思考
• 思考该职位如何支撑天猫的具体业务（如智能客服、营销文案生成等），并在沟通中展现业务理解
• 重点突出完整的RAG或知识系统项目经历，清晰描述从数据处理、检索策略到效果优化的闭环
• 详细阐述在多源异构数据治理、向量数据库或检索系统性能优化方面的具体实践与成果
• 强调系统架构设计能力，举例说明如何设计高可用、可扩展的复杂技术模块
• 如有评测体系建设或数据驱动优化的经验，请务必作为亮点展示
• 深入研究最新的LLM Agent架构与记忆机制，理解行业前沿动态
• 系统梳理个人在知识图谱、向量检索（如Milvus， Elasticsearch）、Cache设计等方面的深度知识

面试指南

• 使用STAR法则，结合具体业务场景和技术细节，有条理地讲述项目经历，突出你的角色、决策和量化结果
• 采用“总-分-总”结构，先阐述整体设计原则和模块划分，再逐个说明关键设计点的技术选型与取舍理由
• 建立分层的评测体系，从技术指标（如检索召回率、准确率）到业务指标（如任务完成率、用户满意度）进行关联分析
• 结合具体技术方案（如引入向量数据库、设计缓存策略、建立评测集）来回答，体现系统思维和工程落地能力
• 请描述一个你主导的完整RAG系统项目，从遇到的问题、方案选型、技术实现到最终效果如何评测和优化？
• 如果让你从0到1设计一个多源异构数据的知识接入体系，你会如何考虑架构？如何处理数据的一致性和时效性？
• 在知识质量评测方面，你会设计哪些核心指标？如何区分是检索环节还是知识提取环节的问题？
• 你如何理解LLM Agent的“记忆”问题？你设计的知识系统将如何作为Agent的长期记忆和上下文来源？