AI算法工程

深圳总部/北京/上海/广州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1、扎实的机器学习与深度学习基础，熟悉Transformer架构、预训练与微调范式，具备算法方案设计能力；
2、熟练掌握Python及PyTorch等深度学习框架，有实际的模型训练、实验与调优经验；
3、了解大模型应用工程化技术，如模型服务部署、向量检索、RAG Pipeline等，有相关实践；
4、具备较强的工程落地意识，能从数据质量、推理延迟、成本效率等维度系统性评估和优化AI系统；
5、对AI技术有深度好奇心，既能钻入算法细节，也能跳出技术看业务价值，乐于将前沿成果转化为实际产品；
6、具备良好的沟通协作与问题拆解能力，能理解业务需求并将其翻译为可执行的技术方案。
1、有大模型预训练或微调经验（如 LoRA/QLoRA/Full Fine-tune），熟悉分布式训练（DeepSpeed/FSDP/Megatron）；
2、有模型推理优化经验（如 vLLM、TensorRT-LLM、量化部署等），了解Serving系统设计；
3、在 NLP/CV/多模态/RL等方向有研究，发表过顶会/顶刊论文。

岗位描述

【岗位职责】

1、深入理解业务场景与数据特征，设计并优化 AI 算法方案（如模型微调、检索增强、多模态融合等），将算法能力转化为可落地的业务效果；
2、负责算法从实验到生产的全链路工程化，包括数据预处理、模型训练与评估、推理服务部署、在线效果监控与持续迭代；
3、在工程实践中持续改进算法效果，通过Prompt优化、模型路由、召回策略、精排等工程手段提升AI应用的准确性、稳定性和效率；
4、跟踪大模型与深度学习前沿技术（如RAG、Agent、多模态等），结合业务痛点推进技术预研与创新应用。

【任职要求】

1、扎实的机器学习与深度学习基础，熟悉Transformer架构、预训练与微调范式，具备算法方案设计能力；
2、熟练掌握Python及PyTorch等深度学习框架，有实际的模型训练、实验与调优经验；
3、了解大模型应用工程化技术，如模型服务部署、向量检索、RAG Pipeline等，有相关实践；
4、具备较强的工程落地意识，能从数据质量、推理延迟、成本效率等维度系统性评估和优化AI系统；
5、对AI技术有深度好奇心，既能钻入算法细节，也能跳出技术看业务价值，乐于将前沿成果转化为实际产品；
6、具备良好的沟通协作与问题拆解能力，能理解业务需求并将其翻译为可执行的技术方案。

【加分项】

1、有大模型预训练或微调经验（如 LoRA/QLoRA/Full Fine-tune），熟悉分布式训练（DeepSpeed/FSDP/Megatron）；
2、有模型推理优化经验（如 vLLM、TensorRT-LLM、量化部署等），了解Serving系统设计；
3、在 NLP/CV/多模态/RL等方向有研究，发表过顶会/顶刊论文。

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 →