业务技术-Agent 数据与算法优化方向-用户场景＆营销方向

优缺点分析

角色解读

• 在技术深度上，可向 Agent 算法专家、大模型后训练专家或数据科学专家方向发展，成为领域内的核心技术骨干
• 在业务广度上，可深入理解业务场景，成长为技术负责人或业务技术架构师，推动 AI 技术在业务中的规模化落地
• 在行业影响力上，可通过发表顶会论文、贡献开源项目等方式，提升个人在 AI 社区的影响力，向技术专家或科学家方向发展
• 负责构建和优化 Agent 应用的数据引擎，包括多源异构数据的接入、清洗、加工与服务化管道，为训练和评测提供稳定数据供给
• 设计并实现知识体系，包括语义层、本体、知识图谱和业务规则的结构化表达，优化 RAG 和 Memory 系统的知识组织与召回质量
• 构建自动化评测体系，设计 LLM-as-a-Judge 方案，对 Agent 任务进行量化评估，并建立离线评估与在线业务指标联动的评价闭环
• 参与模型后训练与强化学习优化，基于业务数据开展 SFT、DPO 等偏好优化及 Agentic RL 训练，设计可工程化的 Reward 体系与 RL 训练环境
• 具备扎实的 Python 编程能力，熟练掌握 PyTorch，了解大模型训练与推理框架（如 Megatron-LM、vLLM、DeepSpeed 等）
• 深入理解 Transformer 与主流 LLM 架构，对 SFT、DPO、RL 等后训练算法有实操经验
• 具备 Data-centric AI 意识，精通高质量数据的挖掘、清洗与构造，有合成数据与动作轨迹构建经验者优先
• 掌握 RAG 与 Memory 的原理与优化方法，具备知识组织、召回质量评估与上下文优化的方法论

申请策略

• 在简历中重点突出与岗位职责相关的项目，用 STAR 法则描述项目背景、行动和结果，量化项目成果
• 提前了解天猫的业务场景和 AI 应用方向，在面试中展示对业务的理解和思考
• 突出在数据构建、评测体系、模型后训练或 Agent 应用方面的项目经验，尤其是涉及合成数据、Trajectory 构建、LLM-as-a-Judge 或 Agentic RL 的实践
• 强调对 Transformer、LLM 架构的深入理解，以及 SFT、DPO、RL 等后训练算法的实操经验，如有相关论文或开源贡献务必重点突出
• 展示数据工程能力，包括多源异构数据管道建设、知识图谱构建、RAG 系统优化等，体现 Data-centric AI 意识
• 系统学习 Agent 相关技术，如 ReAct、Function Calling、MCP 等，并动手实践 Agent 应用的开发与评测
• 深入学习强化学习算法，特别是 Agentic RL 相关方法，如 GRPO、PPO 等，并尝试在开源框架中进行实验
• 关注大模型评测领域的最新进展，学习 LLM-as-a-Judge 的设计方法，并尝试构建自己的评测体系

面试指南

• 回答项目经验时，采用 STAR 法则，清晰描述项目背景、目标、你的具体行动和最终成果，并突出技术难点和你的思考
• 回答技术问题时，先阐述核心概念和原理，再结合自己的实践经验，最后可以提出自己的思考和见解，体现深度和广度
• 回答业务场景问题时，先理解业务目标，再分析技术方案如何支撑业务，体现业务与技术结合的能力
• 请介绍一个你主导的 Agent 或大模型项目，包括数据构建、评测和优化过程
• 如何设计一个针对复杂多步任务的评测体系？请举例说明
• 在 Agent 长程任务中，如何定位和归因失败环节？你有哪些经验？
• 谈谈你对 Agentic RL 的理解，以及如何设计 Reward 模型？
• 如何构建高质量的训练数据？请分享你的数据清洗和构造方法论