新浪
Agent 应用算法工程师实习生
Agent 应用算法工程师实习生
发布于 大约 16 小时前实习/见习
北京市
无经验要求
实习生
仅现场办公
硕士
PyTorch
RAG
LLM
SFT
vLLM
RLHF
CoT
Huggingface Transformers
AI 估算 · 6k–10k
大厂算法实习生，北京，非顶尖但技术前沿，薪资中等偏上。
职位详情
关于这个职位
这是一个面向2027届硕士及以上学生的算法实习生岗位，将参与微博AI搜索场景下多Agent协作回答系统的研发
你将深入大模型推理、Tool Use、任务规划等前沿技术，并与团队一起进行算法迭代与落地
适合对LLM Agent有强烈热情且具备扎实工程能力的同学
最低要求
届应届毕业生，计算机科学、人工智能、电子信息或相关领域硕士及以上学历，博士优先
深入理解 LLM 推理机制与 Prompt 工程，有大模型相关课程项目、实习或科研经历
了解 SFT、RLHF/DPO 等训练范式者加分
熟练掌握 PyTorch，熟悉 HuggingFace Transformers、vLLM 等主流推理与工具库，具备高效的模型开发与调试能力
具备扎实的工程能力，能够独立完成从算法验证到原型实现的工作，具备良好的问题排查与解决能力
良好的沟通协作能力与学习能力，对 Agent 与 AI 搜索领域有强烈的技术探索热情
工作职责
参与多 Agent 协作回答系统的算法设计与落地，围绕 AI 搜索场景，构建高效的多 Agent 任务规划、推理决策与答案生成方案
参与 Agent 核心能力的研究与落地，包括 Tool Use、多步推理（ReAct / CoT）、动态任务拆解与上下文管理，协助设计能自主完成复杂搜索回答任务的 Agent 系统
跟进 Agent 与大模型领域前沿技术动态，快速验证新方法在业务场景中的适用性，推动算法持续迭代升级
参与搭建面向多 Agent 回答场景的模型与算法评估体系，涵盖主流评测基准与业务定制化指标，保障效果可量化、可追溯
参与从算法实验、原型验证到系统上线的全链路交付，结合业务实际场景，解决搜索回答中的核心痛点
优先资格
有 LLM Agent 相关项目、实习或科研经历，熟悉 Tool Use、记忆管理、多 Agent 协作、任务规划等技术
有搜索/推荐/信息检索系统相关研究或实习经历，熟悉 RAG、Query 理解、意图识别等相关技术
在 NeurIPS、ICLR、ACL、SIGIR、EMNLP、CVPR、AAAI 等顶会以一作或主要作者身份发表过论文，或有高质量开源项目贡献
有大厂 AI/算法相关实习经历者优先
AI 洞察
优缺点分析
- 接触LLM Agent最前沿技术，参与从研究到落地的完整流程
- 大厂平台，品牌背书强，实习经历含金量高
- 团队技术氛围浓厚，可积累行业人脉与项目经验
- 有机会发表顶会论文或参与开源项目
- 实习期需快速掌握大量新知识，技术深度与广度要求高
- 算法实验与原型验证过程可能面临多次迭代与试错
- 互联网大厂节奏快，可能涉及一定程度的加班
- 适合对LLM Agent有强烈热情、具备扎实编程与算法功底、希望在大厂积累前沿项目经验的硕博学生
角色解读
- 技术纵深：从Agent算法实习生成长为资深研究员，主导多Agent系统架构设计
- 横向拓展：积累搜索、推荐、NLP等多领域经验，未来可转向AI产品经理或技术专家
- 行业认可：大厂实习经历+顶会论文发表机会，为后续深造或高薪Offer奠定基础
- 参与多Agent协作回答系统的算法设计，围绕AI搜索场景优化任务规划与推理决策
- 研究并落地Agent核心能力，如Tool Use、多步推理、动态任务拆解等
- 搭建评估体系，通过实验与数据分析迭代算法效果
- 参与从算法验证到系统上线的全链路交付，解决搜索回答中的实际痛点
- 熟练掌握PyTorch及HuggingFace Transformers、vLLM等工具，能独立进行模型开发与调试
- 深入理解LLM推理机制与Prompt工程，有SFT/RLHF经验更佳
- 具备扎实的工程能力，能够将算法快速原型化并验证
- 良好的沟通协作与学习能力，对Agent和AI搜索有强烈兴趣
申请策略
- 在简历或求职信中表达对微博AI搜索场景的见解，体现业务理解
- 关注新浪微博的技术博客与开源项目，面试中展现对公司的了解
- 突出LLM相关项目或科研经历，详细描述在Agent、Prompt工程、模型微调等方面的贡献
- 展示工程能力：如使用PyTorch实现复杂模型、优化推理效率的案例
- 如有顶会论文或开源贡献，单独列出
- 强调对Agent与AI搜索领域的理解，可附上个人博客或技术笔记链接
- 提前熟悉ReAct、CoT、RAG等主流Agent框架，并用小项目实践
- 补充SFT/RLHF等训练范式的理论知识，了解DPO等最新方法
面试指南
- 对于技术问题：先给出定义，再结合具体场景举例，最后总结优缺点或适用条件
- 对于设计问题：采用结构化思维，从输入到输出拆分模块，说明每个模块的功能与交互
- 对于项目问题：使用STAR法则（情境-任务-行动-结果），突出个人贡献与学习收获
- 请解释ReAct和CoT的区别，并在一个搜索场景中举例说明
- 如何构建一个多Agent协作系统？需要考虑哪些关键设计？
- 你如何评估Agent系统的回答质量？设计哪些指标？
- 描述一次你使用PyTorch实现Transformer模型的经历，遇到什么困难？
- 你对RLHF的理解是什么？相比SFT有哪些优缺点？
匹配度报告
68
综合匹配度
前沿Agent/LM技术，大厂实习平台，发展性极强但薪资与WLB一般。
适合人群
最适合追求技术成长、渴望前沿项目经验、对薪资暂时不敏感的硕博学生。
最强匹配
成长发展匹配
最弱匹配
薪资福利匹配
薪资福利45
成长发展92
工作生活55
使命价值80
薪资福利匹配
45较低
实习生薪资水平中等，但大厂福利较好（如免费三餐、班车等），整体补偿性一般。
薪资信号未披露 (6K-10K/月)
成长发展匹配
92较高
岗位涉及最新Agent与LLM技术，发展空间极大，能快速积累前沿技能。
技术前沿前沿/新兴技术
技术栈Agent、LLM、Multi-agent、Tool Use、ReAct、CoT、SFT、RLHF
业务类型profit_center
工作生活匹配
55较低
仅现场办公，北京互联网大厂节奏较快，WLB一般。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
80较高
AI搜索领域前景广阔，能提升信息获取效率，具有较高社会价值。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs