大模型agent实习生

优缺点分析

角色解读

• 从实习生成长为正式员工后，可转向大模型应用研发、搜索算法或对话系统方向
• 积累 agent 架构设计经验后，可向 AI agent 架构师或技术负责人发展
• 深入理解模型与搜索结合，未来可成为多模态或智能搜索领域的专家
• 负责研究和开发大模型在搜索场景中的 agent 能力，包括意图拆解与子目标规划
• 设计并实现可扩展的 context 架构，支持多层级信息整合与引用
• 优化检索后处理流程，提升引用的准确性和一致性，降低模型幻觉
• 深入理解 LLM 原理和 RAG 技术，熟悉搜索系统基本概念
• 具备良好的问题拆解能力和系统设计思维，能设计分层模块
• 对模型幻觉问题有认知，熟悉常用的去重、冲突检测方法

申请策略

• 简历中具体说明自己如何解决过模型幻觉问题，提供量化结果更佳
• 投递前了解小红书在搜索和社区方向的产品特色，面试时展现业务理解
• 突出 LLM 相关项目经历，如 RAG 系统、对话 agent、信息检索系统等
• 强调自己的问题拆解和系统设计能力，可附上架构设计图或文档链接
• 展示对模型幻觉的理解，提及自己做过的事实性验证或引用优化工作
• 提前阅读主流 RAG 论文和 agent 框架（如 LangChain、AutoGPT），动手实践
• 熟悉 Python 及常用深度学习框架（PyTorch），了解排序、检索算法

面试指南

• 对于设计类问题，先明确需求边界，再提出方案并对比优劣
• 对于评估类问题，从指标定义、实验设计、结果分析三个层面展开
• 请解释 RAG 的基本流程和常见挑战
• 如何设计一个搜索意图拆解模块？
• 你如何评估和提升模型回答的引用可信度？
• 描述一个你处理模型幻觉的项目
• context 架构的分层设计有哪些考虑？
• 复习经典的 RAG 论文（如 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks）