Momenta
实习财务实习生- AI Agent数字化转型
北京 · 实习 · 2027 届 · 本科
长期有效
任职要求
- ● 知名院校，本科及以上在读，优先考虑：计算机科学、软件工程、数据科学等相关专业
- ● 熟悉 Python编程语言，熟悉常见关系型数据库、非关系型MongoDB、Redis、消息队列等组件，并了解其基本原理
- ● 了解 LLM 基本原理，有使用 ChatGPT、Claude、Coze 等 AI 工具进行任务自动化的项目经验或个人AI产品实践经验
- ● 对 AI 技术有强烈兴趣，能快速上手新工具
- ● 良好的沟通和团队协作精神，抗压能力强，有责任心
岗位描述
● AI Agent 工具探索与部署
○ 调研并测试主流 AI Agent 平台及工具（如 Coze、Dify、Claude Coworker 等）
○ 基于财务团队实际场景设计 Agent 工作流
○ 搭建、调试并优化 Agent 提示词与知识库，持续提升响应准确率
● 系统集成与联通
○ 通过 API 对接公司内部系统：飞书、财务数据库、代码库等
○ 设计并实现 Agent 与现有系统的数据流转方案，确保数据安全与流程闭环
○ 编写自动化脚本，提升跨系统协作效率
● 场景落地与效果跟踪
○ 识别财务团队的高频、重复性工作场景，将 AI 方案转化为生产力
○ 收集用户反馈，持续迭代 Agent 能力，输出使用文档与最佳实践
○ 协助建立 AI 使用规范，确保合规性与数据隐私保护
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。