阿里巴巴
校招算法工程师-Agentic Coding模型训练
北京/杭州/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1. 计算机、人工智能、软件工程等相关专业在读。
- 2. 具备大模型、Coding Agent 方向的实践经历。了解代码生成、仓库级理解、长程软件工程等相关任务。有大规模数据合成和模型训练经验者优先。
- 3. 对真实软件工程场景与模型行为有一定洞察力，具备良好的问题分析与推进能力。能够结合数据、评测与模型行为持续迭代方案并提升模型表现。
- 4. 具备较强学习能力、主动性和自驱力，能够快速理解前沿工作并推进实验落地。
岗位描述
Agentic Coding是基础模型持续演进的重要方向之一。我们推进大模型在代码生成、仓库级理解、长程软件工程任务等场景中的能力。团队重点研究复杂真实环境中的规划、测试、代码修改与多轮执行能力，提升模型的自主性、可靠性与工程落地表现。欢迎对大模型与Agentic Coding有兴趣和实践经验的同学加入。
工作内容包括：
- 1. 提升模型在代码重构、长上下文建模、仓库级代码理解与长程代码生成等真实软件工程任务中的表现。
- 2. 基于SFT与RL训练模型。分析模型输出，定位能力短板。研究训练数据、奖励信号与算法，持续提升模型。
- 3. 研究复杂代码任务中的规划、记忆、自我反思与多轮执行能力。探索多Agent协作、长程记忆与多轮验证等方法，提升模型的稳定性与成功率。
- 4. 与研究员和工程师协作，持续迭代训练数据、评测体系与执行环境；参与构建高质量代码数据、可验证软件工程任务与自动化评测流程，提升模型在代码 benchmark与真实开发任务中的表现。
- 1. 计算机、人工智能、软件工程等相关专业在读。
- 2. 具备大模型、Coding Agent 方向的实践经历。了解代码生成、仓库级理解、长程软件工程等相关任务。有大规模数据合成和模型训练经验者优先。
- 3. 对真实软件工程场景与模型行为有一定洞察力，具备良好的问题分析与推进能力。能够结合数据、评测与模型行为持续迭代方案并提升模型表现。
- 4. 具备较强学习能力、主动性和自驱力，能够快速理解前沿工作并推进实验落地。
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。