Agent开发实习生-【业务风控】

优缺点分析

角色解读

• 成长为业务风控领域的 AI 算法专家或 Agent 架构师
• 向安全领域纵深发展，结合大模型技术解决更复杂的黑产对抗问题
• 积累大模型应用开发经验，可转向通用 AI 应用或算法研发岗位
• 负责基于 LLM 的风险分析、团伙识别等业务风控 Agent 的核心研发与工程化实现
• 参与 Agent 工具链建设，包括风控场景下的 Skill 设计与接入、运行链路调试与优化
• 参与风控知识库建设，优化结构化与非结构化数据的组织及 RAG 检索效果
• 结合真实攻防场景，探索大模型在黑产识别、异常行为分析等方向的应用
• 掌握 LLM 应用开发，熟悉 Prompt Engineering、RAG 等工程实践及至少一种主流 Agent 框架
• 了解风控基础概念（内容风控、反作弊等），或具备快速学习意愿
• 具备扎实的编程能力和计算机基础，能高效进行工程化实现
• 具备良好沟通和自驱力，能适应快节奏研发环境

申请策略

• 在简历或作品集附上个人 LLM 项目链接（如 GitHub），展示技术深度
• 提前了解快手的业务风控产品和技术博客，面试中体现对公司的了解
• 突出 LLM 应用相关的项目经验，如 Prompt 设计、RAG 系统或 Agent 搭建
• 强调熟悉的 Agent 框架（LangGraph / AutoGen 等）及具体实现案例
• 展示风控或安全相关的经历（即使是非学术项目），体现快速学习能力
• 体现编程能力和工程落地能力，如相关实习或竞赛经历
• 深入学习 RAG 技术（如检索策略、分块优化）和 Prompt Engineering 高级技巧
• 了解常见风控场景（如注册、登录、交易反作弊）的对抗逻辑

面试指南

• 结构化回答：先给出核心概念，再分步骤说明，最后总结
• 结合实际案例：用之前项目或设想场景举例，突出思路和解决过程
• 请解释 RAG 的工作原理，如何优化检索效果？
• 设计一个基于 LLM 的风控决策 Agent 的核心流程
• 在风控场景下，如何处理 LLM 的幻觉问题？
• 谈一谈你对快手业务风控的理解，以及大模型在其中可能的应用方向
• 复习 LLM 应用开发的基础知识，包括 Prompt、RAG、Agent 架构
• 了解基本的反作弊和黑产检测方法，如设备指纹、行为序列分析