【快Star】大模型应用算法工程师

优缺点分析

角色解读

• 技术深耕：成为大模型应用专家，主导核心算法的研发与优化，晋升为高级算法工程师或技术专家
• 管理路线：带团队负责整个大模型应用方向，从技术选型到业务落地，走向技术经理或总监
• 跨界发展：结合业务理解，转向AI产品经理或解决方案架构师，打通技术与业务的桥梁
• 负责大语言模型和多模态模型的微调、prompt优化及指令构建，使其适配快手AIGC、智能对话、视频特效等业务场景
• 搭建大模型应用中间件，包括Agent框架、RAG系统、function call等，提升模型落地效率和效果
• 跟踪学术前沿，探索新的大模型应用方向，并推动技术方案在业务中验证和上线
• 与产品、运营等团队协作，将业务需求转化为技术方案，并主导工程实现
• 扎实的编程能力，精通C/C++、Python或Java，能高效实现算法模型
• 深入理解LLM及多模态大模型原理，熟悉微调、RLHF、Prompt Engineering等技术
• 在计算机视觉、NLP、多模态或知识图谱等领域有实际项目经验，能独立解决问题
• 良好的沟通和协作能力，能够与产品、运营等非技术角色顺畅交流

申请策略

• 在简历和面试中展现对大模型前沿的持续关注（如最近论文、开源项目），体现学习热情
• 提前了解快手的技术博客或公开演讲，熟悉团队的技术方向和理念，展现匹配度
• 突出LLM或多模态相关的项目经验，包括微调、RLHF、Agent等具体工作，量化效果指标（如提升XX%准确率）
• 强调工程实现能力，列出熟练掌握的语言、框架和工具，以及独立完成的系统或模块
• 如果有顶会论文、竞赛奖项或开源贡献，务必在显眼位置展示
• 体现业务sense：描述项目中如何与产品、运营协作，并推动了业务增长或用户体验提升
• 提前系统掌握大模型微调框架（如LLaMA-Factory、DeepSpeed）、RAG工具（LangChain、LlamaIndex）及Agent设计模式
• 补充快手业务相关知识（短视频、直播、电商），思考大模型如何赋能这些场景

面试指南

• 对于项目介绍题，采用STAR法则：情境（Situation）、任务（Task）、行动（Action）、结果（Result），突出技术细节和量化成果
• 对于方案设计题，先明确目标，再分步骤阐述：数据、模型、工程实现、评估指标，最后说明潜在优化点
• 对于开放式问题，展现系统性思考：从用户需求、技术可行性、成本效益等角度综合分析
• 请介绍一个你做过的大模型微调项目，包括数据构建、模型选择、调参过程和效果
• 如何设计一个基于RAG的智能问答系统？你会如何处理检索和生成的衔接？
• 谈谈你对RLHF的理解，以及在实际应用中可能遇到的问题和解决方案
• 如果让你在快手的AIGC场景中设计一个文本生成视频的功能，你会考虑哪些技术方案？
• 你如何跟踪大模型领域的最新进展？请举例一个你最近关注的论文或技术