面向AI原生应用的安全智能体关键技术与算法研究-A Star

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 有一定的科研经验，熟悉机器学习或安全领域，有扎实的理论基础和实践经验；
2. 具有较强的编程能力，熟练掌握 C/C++、Java、Python 等至少一门编程语言，能够对现有 SOTA 方法进行复现和测试；
3. 熟悉大模型相关技术栈，包括微调（PEFT、知识蒸馏等）、应用开发框架（LangChain、LangGraph、LlamaIndex 等）、推理部署（vLLM、SGLang 等），具备 CoT、Agent 等大模型应用形态的开发经验；
4. 了解安全攻防场景，对网络安全和大模型安全具有一定的了解；
5. 学习能力强，对前沿领域有强探索欲，有良好的逻辑分析能力和团队协作沟通能力。
加分项
1. 在校园内或互联网公司有相关实践经验，有高质量开源项目或落地项目产出者优先；
2. 在机器学习（NeurIPS/ICLR/ICML/CVPR/ICCV/ACL/KDD 等）或安全领域（S&P/CCS/NDSS/USENIX Security 等）的顶级会议或期刊上发表论文者优先；
3. 有 ACM、CTF、安全攻防、AI 安全等编程或安全类竞赛获奖者优先，红队社区贡献者优先；
4. 具备大模型攻防经验及大模型安全项目经验，或在强化学习对齐、推理增强、多模态大模型等前沿方向有研究或实践经验；
5. 有数理分析方面良好的素养以及数理统计基础者优先。

岗位描述

负责面向安全业务场景的大模型能力建设，包括但不限于以下方向：

1. AI for security，利用AI技术增强网络安全、数据保护和等领域的防御能力。在自动化威胁检测、分析和响应、DevSecOps等场景提升效率和攻防对抗能力。
2. Security for AI，保护AI应用系统安全，保护其免受攻击和滥用。
1. 有一定的科研经验，熟悉机器学习或安全领域，有扎实的理论基础和实践经验；
2. 具有较强的编程能力，熟练掌握 C/C++、Java、Python 等至少一门编程语言，能够对现有 SOTA 方法进行复现和测试；
3. 熟悉大模型相关技术栈，包括微调（PEFT、知识蒸馏等）、应用开发框架（LangChain、LangGraph、LlamaIndex 等）、推理部署（vLLM、SGLang 等），具备 CoT、Agent 等大模型应用形态的开发经验；
4. 了解安全攻防场景，对网络安全和大模型安全具有一定的了解；
5. 学习能力强，对前沿领域有强探索欲，有良好的逻辑分析能力和团队协作沟通能力。

加分项

1. 在校园内或互联网公司有相关实践经验，有高质量开源项目或落地项目产出者优先；
2. 在机器学习（NeurIPS/ICLR/ICML/CVPR/ICCV/ACL/KDD 等）或安全领域（S&P/CCS/NDSS/USENIX Security 等）的顶级会议或期刊上发表论文者优先；
3. 有 ACM、CTF、安全攻防、AI 安全等编程或安全类竞赛获奖者优先，红队社区贡献者优先；
4. 具备大模型攻防经验及大模型安全项目经验，或在强化学习对齐、推理增强、多模态大模型等前沿方向有研究或实践经验；
5. 有数理分析方面良好的素养以及数理统计基础者优先。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →