面壁智能
实习智能体算法实习生
北京 · 实习 · 2027 届 · 硕士
长期有效
任职要求
- 学历背景 ：计算机科学、软件工程、人工智能等相关专业的在校本科生或研究生。
- 技术基础 ：
- - 熟练掌握 Python、Typescript 或 Rust 中的至少一种编程语言，具备良好编程习惯。
- - 对 大语言模型（LLM） 及其应用有一定了解，有智能体（Agent）相关项目经验者优先。
- - 了解 任务调度、算法优化 等相关概念，有相关实践经验者更佳。
- 软素质 ：
- - 对开源项目充满热情，有强烈学习意愿和自我驱动力，能主动探索新技术。
- - 具备良好沟通能力和团队协作精神，能与团队成员有效配合完成工作。
- - 能够快速理解业务需求，并将其转化为技术实现，为业务发展提供技术支持。
- 你将获得
- 前沿技术实践机会 ：深入参与 AI 智能体领域核心算法研发，接触最前沿技术动态，提升专业技术水平。
- 丰富的项目实战经验 ：在真实开源项目中承担具有挑战性的任务，快速提升技术能力和工程实践水平。
- 良好的团队氛围 ：加入充满活力、鼓励创新的团队，与优秀工程师一起成长，拓展人脉资源。
- 实习证明与转正机会 ：表现优异的实习生将获得转正机会，成为面壁智能正式一员，开启职业发展新篇章。
- 我们期待你的加入，共同打造下一代安全高效的端云协同智能体！
岗位描述
1. 核心模块研发（任务与算力调度） ：
- - 优化智能体持续任务执行能力。在给定计算资源和时间范围内，优化Agent Loop闭环工作流程，确保AI智能体在资源限制内，不断自我改进和优化任务执行策略，直到充分利用资源或高质量完成任务，直接提升AI智能体在复杂场景下的任务完成率和资源使用效率。
2. 通用任务能力拓展 ：
- - 针对智能体处理通用任务的目标，负责特定二级或三级方向的深入调研与实现。比如在 软件开发、报告编写、自动化办公 等场景，探索让智能体具备专业、高效解决能力的方法。
- - 分析用户需求，设计相应算法策略与技能（Skill），并进行效果验证与迭代优化，让智能体更好地满足用户实际需求。
3. 技术方案与协作 ：
- - 与团队成员紧密配合，参与方案讨论，提出算法思路，落地方案实施，共同推动项目进展。
- - 撰写相关技术文档，总结和沉淀研发经验，方便团队成员共享和后续查阅。
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。