蔚来
校招Super Sparks-校招-AI安全研发工程师（Security方向）
上海 · 校招 · 2027 届 · 博士
长期有效
任职要求
- 学术背景：2027届海内外优秀博士毕业生，计算机科学、人工智能、网络空间安全、数学或相关交叉学科背景，具有扎实的数理基础与计算机底层理论功底
- 前沿AI研究能力：在机器学习（ML）、深度学习（DL）及大语言模型（LLM）领域有深厚的理论积累与丰富的实战经验。深入理解Transformer架构、RLHF/RLVR、Agent框架或多模态大模型等前沿技术，具备独立主导模型预训练、微调及推理优化的能力
- 深厚的安全攻防底蕴：对网络安全、系统底层原理及密码学有深刻理解，精通常见网络攻击与防御机制。能够将AI技术与安全业务深度结合，具备“AI for Security”或“Security for AI”的交叉研究视野
- 极致的工程落地能力：具备卓越的代码能力（精通Python/C++等），熟练掌握主流深度学习框架（PyTorch/TensorFlow等）。有将前沿算法从“学术Demo”转化为“工业级生产系统”的完整实践经验
- 技术领导力与极客精神：为人真诚、极具责任感与自驱力。对技术有极致追求，具备敏锐的行业洞察力、严密的逻辑思维以及解决复杂未知问题的破局能力；拥有出色的跨团队沟通与协作能力，能作为技术核心推动项目高效落地。
- 【加分项】
- 在AI安全、大模型、系统安全或网络安全领域的国际顶级学术会议/期刊（如四大安全顶会、NeurIPS、ICLR、ACL等）发表过高质量论文
- 拥有高星开源项目贡献经历，或在知名国际安全/AI竞赛中取得过顶尖名次
- 有主导过大规模安全自动化平台、DevSecOps体系建设、或企业级AI Agent工作流架构设计的实战经验。
岗位描述
- 1. 主导下一代智能化安全架构设计与技术演进。深度引领 AI 安全、安全自动化、安全大数据及 DevSecOps 等前沿技术栈的架构级创新。不局限于现有技术的应用，而是致力于探索并定义下一代智能化安全防御体系的技术标准与演进路线，构建具备行业壁垒的核心安全能力。
- 2. 驱动前沿安全课题攻关与“产学研”落地转化。作为技术破局者，敏锐洞察全球安全与 AI 领域的最新学术动态与行业趋势。主导高难度、高价值的技术课题探索与验证，将前沿理论（如大模型攻防、隐私计算等）与复杂业务场景深度融合，实现从“技术预研”到“工业级落地”的闭环，提升公司在安全领域的技术影响力。
- 3. 构建 AI 原生（AI-Native）安全智能体生态与专有模型。主导设计并研发面向安全领域的垂直领域专有模型与多模态大模型。从零到一构建高可用、可扩展的自动化安全工作流，打造具备自主规划、复杂推理及工具调用能力的 AI Agent 生态（含 Skills/MCP 资源池），以 AI 原生思维重塑并颠覆传统安全业务流程。
- 4. 建立安全效能度量体系与跨域技术协同机制。超越传统的事件沟通层面，建立基于数据驱动的安全效能度量与反馈闭环。作为核心技术枢纽，拉通算法、工程、业务等多域团队，推动安全能力在复杂系统架构中的无缝集成，以技术领导力驱动安全事件的高效处置与防御体系的持续迭代。
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。