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

• 技术专家路线：深耕领域大模型技术，成为AI与软件工程交叉领域的权威专家
• 技术管理路线：在积累足够项目经验和影响力后，可转向技术团队负责人或架构师，负责更大规模的项目和技术规划
• 主导大语言模型在软件研发领域的核心算法开发，包括预训练、微调和对齐等全流程
• 设计并实施创新的数据方案，将代码、文档等异构知识注入模型，增强其理解与推理能力
• 建立模型能力评测体系，针对代码分析、故障排查等复杂任务进行评估，并驱动模型持续优化
• 精通Python和深度学习框架（如PyTorch），具备扎实的NLP和LLM技术基础
• 拥有实际的大模型训练、优化及项目落地经验，熟悉SFT、RLHF等关键技术
• 具备软件工程思维，理解软件研发全流程，能将AI技术与软件工程问题结合

申请策略

• 在申请前，尝试了解淘宝或类似大型互联网公司的研发流程与挑战，以便在面试中展示业务洞察力
• 准备一个关于你如何将AI技术应用于具体软件工程问题的详细案例
• 突出大语言模型（LLM）相关的项目经验，尤其是涉及预训练、SFT、RLHF等全流程的实践
• 强调软件工程背景或“AI for SE”的实践经验，如代码分析工具、智能辅助编程等项目
• 展示解决复杂技术问题的具体案例，体现问题拆解和闭环优化能力
• 深入学习软件工程领域的专业知识，如代码静态分析、系统架构设计等，以更好地理解业务场景
• 跟进大模型领域的最新研究，特别是关于知识注入、代码理解和推理能力提升的技术

面试指南

• 使用STAR法则（情境、任务、行动、结果）来结构化回答项目经验类问题
• 对于方案设计类问题，可以分点阐述你的思考逻辑：明确目标、分析输入输出、设计数据流、考虑技术选型、评估可行性与风险
• 对于认知类问题，结合你对行业和技术的理解，提出有深度的个人见解，并联系应聘岗位的业务场景
• 请介绍你过去一个完整的大模型训练或优化项目经历，遇到了哪些关键挑战？是如何解决的？
• 如果让你设计一个将外部代码库知识注入到已有LLM中的方案，你会考虑哪些关键因素？如何实施？
• 如何评估一个LLM在软件故障排查任务上的能力？你会设计哪些评测指标和测试用例？
• 你如何理解‘将LLM用于软件研发’？你认为最大的难点和最有价值的应用点是什么？
• 请谈谈你对RLHF或DPO等对齐技术的理解，在训练领域模型时，对齐环节需要特别注意什么？