美团
实习【基座大模型北斗实习】复杂Agent应用技术研究
北京/上海 · 实习 · 不限
长期有效
任职要求
- 1、有好奇心，敢想敢做，学习能力强，能在复杂问题的深度思考与拆解能力；
- 2、掌握基本的LLM训练和应用范式；
- 3、顶会论文（ACL/EMNLP/NeurIPS/ICLR/KDD 等）、开源贡献或算法竞赛成果突出者优先；
- 4、有OpenClaw、Claude code深度使用经验与产出优先；
- 5、熟悉Agentic RL者优先；
- 6、在 GitHub 上拥有高 Star 的 AI 原生项目，或曾向 OpenClaw/OpenCode 等主流 Agent 框架提交过核心 PR。
- （base北京或上海）
岗位描述
【岗位职责】
简介：探索下一代 Agent-Native 基础设施。方向覆盖数据计算与商业分析、精准营销与广告投放、个人助理与智能服务三大场景，致力于用 AI Agent 重构人与数据、人与服务的交互方式。
【技术方向】
- 1、DataAgent 核心基建：攻坚复杂长周期任务的调度架构，解决大规模数据流转下的上下文治理、长期记忆与状态流控难题。
- 2、BA 场景工具链：构建高扩展性数据处理 Skill 体系与安全高效的代码执行沙盒，支持 Agent 智能调度高并发数据流处理工具。
- 3、精准营销 Agent：基于海量用户行为数据的宏观统计与微观推理，探索精细化需求理解与大小模型协同的高效系统设计。
- 4、Skill 体系与模型优化：探索 Skill 的表示、调度与自进化机制；推进 Agentic RL、自适应推理等模型训练与调优工作。
- 5、智能服务新范式：建立 C 端个人 Agent 与 B 端服务 Agent 的连接，研究智能体架构优化、推理成本控制与长期记忆提升。
【任职要求】
- 1、有好奇心，敢想敢做，学习能力强，能在复杂问题的深度思考与拆解能力；
- 2、掌握基本的LLM训练和应用范式；
- 3、顶会论文（ACL/EMNLP/NeurIPS/ICLR/KDD 等）、开源贡献或算法竞赛成果突出者优先；
- 4、有OpenClaw、Claude code深度使用经验与产出优先；
- 5、熟悉Agentic RL者优先；
- 6、在 GitHub 上拥有高 Star 的 AI 原生项目，或曾向 OpenClaw/OpenCode 等主流 Agent 框架提交过核心 PR。
（base北京或上海）
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。