美团
实习Agent算法实习生
北京/上海 · 实习 · 不限
长期有效
任职要求
- 1. 扎实的算法基础，熟悉LLM、NLP相关算法和模型；具备业务场景高质量训练数据构建的实际经验者优先。
- 2. 熟悉 Hugging Face Transformers、PyTorch 等主流深度学习框架；具备Agent研发的实际经验者优先。
- 3. 有 LangGraph、Swarm 等Agent框架使用经验，熟悉 MCP 协议及工具生态。有多智能体协作或复杂规划任务研发经验。
- 4. 在ACL、EMNLP、NAACL、SIGIR等自然语言处理会议或期刊中有论文发表者，或在 Kaggle 及大模型相关榜单中取得优异成绩者优先。
- 5. 每周至少全职工作四天，保证实习至少4个月。实习须征得导师同意。
岗位描述
【岗位职责】
- 1. 后训练研究：深入参与模型对齐工作，重点研究多种后训练算法；探索结果奖励和过程奖励模型的构建，提升模型在复杂逻辑下的推理能力。
- 2. Agentic RL优化：针对复杂业务场景，优化 Agent 的任务规划、反思与执行能力；提升模型在长链路任务中的稳定性和成功率。
- 3. 前沿技术落地：跟踪业界前沿技术路线，负责相关算法的复现、调优及在业务场景中的工程化落地。
【任职要求】
- 1. 扎实的算法基础，熟悉LLM、NLP相关算法和模型；具备业务场景高质量训练数据构建的实际经验者优先。
- 2. 熟悉 Hugging Face Transformers、PyTorch 等主流深度学习框架；具备Agent研发的实际经验者优先。
- 3. 有 LangGraph、Swarm 等Agent框架使用经验，熟悉 MCP 协议及工具生态。有多智能体协作或复杂规划任务研发经验。
- 4. 在ACL、EMNLP、NAACL、SIGIR等自然语言处理会议或期刊中有论文发表者，或在 Kaggle 及大模型相关榜单中取得优异成绩者优先。
- 5. 每周至少全职工作四天，保证实习至少4个月。实习须征得导师同意。
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。