美团
实习【北斗实习】大模型工程开发工程师 - AI Infrastructure 与平台
北京 · 实习 · 博士
长期有效
任职要求
- 【任职要求】
- 海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
- 1.工程高手： 拥有顶尖互联网公司 AI 基础架构实习经验，或作为核心维护者参与过知名开源项目（如 LangChain, LlamaIndex, Ray 等）。
- 2.编程悍将： 具备极强的 Coding 能力，精通 Java/Python/Go 至少一门语言，对数据结构与算法有深刻理解。
- 3.竞赛大神： 在 ACM-ICPC、IEEE Extreme 等顶级编程竞赛，或 Kaggle、天池等大型工程/算法赛道获得过突出奖项。
- 4.科研骨干： 作为骨干成员参与过实验室或导师承接的国家级/大型横向科研项目，具备处理复杂系统工程问题的经验。
岗位描述
【岗位职责】
【课题说明】
以支撑大语言模型（LLM）大规模落地为目标，构建高性能、高可用的 AI 应用基础设施。研究与建设方向包括 AI 原生应用框架（AI App Framework）、高性能 Agent 编排引擎、评测系统及模型服务治理平台。课题旨在解决 AI 应用从原型到工业级生产环境中的工程挑战，打造支撑美团业务智能化的核心底层引擎。
【建议研究方向】
- 1.AI 应用开发框架： 设计并实现高性能、可扩展的 Agent/Workflow 运行核心，支持复杂逻辑的异步流式处理与调度。
- 2.Agent 工程治理： 建立 Agent 运行期的可观测性、调试工具链及故障自愈机制，提升生产环境的稳定性。
- 3.Agent自动化评测： 构建工业级的 LLM 评测基础设施，实现评测数据流转、多维度自动打分及评估结果的量化分析。
- 4.多智能体架构：研究Agent架构的设计原理、组成模块及交互机制，探索其在自主决策、环境感知与任务执行中的优化方法，分析出游场景下的性能表现与扩展性，为智能体系统开发提供理论支撑。
- 5.智能体记忆管理： 研究长短期记忆管理机制，在智能体与用户的多轮对话中，实现对上下文和用户个性化需求的持续追踪能力。
【任职要求】
【任职要求】
海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
- 1.工程高手： 拥有顶尖互联网公司 AI 基础架构实习经验，或作为核心维护者参与过知名开源项目（如 LangChain, LlamaIndex, Ray 等）。
- 2.编程悍将： 具备极强的 Coding 能力，精通 Java/Python/Go 至少一门语言，对数据结构与算法有深刻理解。
- 3.竞赛大神： 在 ACM-ICPC、IEEE Extreme 等顶级编程竞赛，或 Kaggle、天池等大型工程/算法赛道获得过突出奖项。
- 4.科研骨干： 作为骨干成员参与过实验室或导师承接的国家级/大型横向科研项目，具备处理复杂系统工程问题的经验。
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。