简法
← 返回岗位列表

蔚来

实习

蔚来AGI超星计划-AI 原生产品研究员

上海 · 实习 · 2027 届 · 不限

长期有效

任职要求

  • 我们希望你
  • - 来自计算机、人工智能、信息系统、工业工程、设计、人机交互或相关专业
  • - 能快速理解复杂系统，而不只是拆页面和写需求文档
  • - 对 AI 产品有真实实践，能够区分模型能力、工程能力和产品能力
  • - 具备较强的抽象能力，能够从一个业务场景中提炼可复用的平台模型
  • - 能与工程师和算法研究者深入讨论技术方案，而不是停留在功能描述
  • - 有独立判断，不迷信行业热词，也不满足于复制已有产品。
  • 加分项包括：
  • - 有 AI Agent、RAG、知识图谱、Semantic Layer、数据平台或开发者工具经验
  • - 有科研、创业、开源项目或复杂产品从零到一经历
  • - 能熟练使用 Claude Code、Codex、Cursor 等 Coding Agent 构建原型。
  • 我们能提供什么
  • 真实而复杂的问题
  • 你面对的不是公开数据集上的玩具任务，而是企业研发、供应链、制造、质量、财务和经营中的真实问题。
  • 这些问题同时具备：
  • - 数据规模大
  • - 资产类型复杂
  • - 权限约束严格
  • - 业务口径真实
  • - 错误成本高
  • - 研究价值和工程价值并存。
  • 从研究到生产的完整闭环
  • 很多研究止步于离线指标，很多工程止步于功能上线。
  • 在这里，你可以经历：
  • 提出问题
  • → 建立数据集与基线
  • → 设计算法或系统
  • → 进入生产场景
  • → 收集 tracing 和 badcase
  • → 验证真实业务价值
  • → 继续迭代
  • 足够大的个人责任边界
  • 我们不希望优秀学生只承担边缘模块。
  • 表现优秀的人可以直接负责：
  • - 一项关键算法方向
  • - 一个核心产品模块
  • - 一条端到端技术链路
  • - 一个跨领域研究课题
  • - 一套公开 benchmark 或方法论。
  • 研究与公开成果机会
  • 在满足企业安全和数据合规的前提下，我们支持将有普遍价值的问题沉淀为：
  • - 学术论文
  • - 技术专利
  • - 公开 benchmark
  • - 开源框架或工具
  • - 高质量技术报告
  • - 行业标准和方法论。
  • 我们不会为了论文而制造问题，但也不会让真正有研究价值的问题只停留在内部项目中。
  • 我们寻找什么样的人
  • 我们不只寻找履历最整齐的人。
  • 我们更看重：
  • - 是否能面对没有标准答案的问题
  • - 是否能快速进入陌生领域
  • - 是否有独立判断和研究品味
  • - 是否能把抽象想法变成可验证的系统
  • - 是否愿意对最终结果负责
  • - 是否既追求技术先进性，也理解真实业务约束。
  • AGI 超星计划不是为了招募更多执行者，而是寻找未来能够定义产品、定义系统、定义算法方向的人。

岗位描述

方向：ContextOS / Enterprise Agent / Trust & Learning

你要解决的问题

传统产品经理更多是在已有产品范式中定义功能。

这个岗位面对的问题是：产品范式本身还不存在。

你需要参与回答：

  • - 企业 AI 应该如何理解业务对象，而不是直接面对表、字段和文档？
  • - Ontology、Semantic Layer、Evidence 和 Memory 应该如何被业务用户管理和消费？
  • - 用户如何判断一个 AI 结论是否可信、完整、可执行？
  • - Agent 的构建入口会被 Coding Agent 替代后，平台产品还应该提供什么？
  • - tracing 和 badcase 如何变成可治理、可持续进化的企业资产？
  • - Web、SDK、CLI、API 和 Agent Runtime 应该如何共同构成一个完整产品？

你会参与的工作

  • 1. 定义 ContextOS、TrustOps、LearningOps 等新产品的核心模型、用户角色和产品边界；
  • 2. 深入研发、供应链、制造、质量、财务和经营场景，抽象跨领域共性问题；
  • 3. 设计 Ontology Studio、Semantic Mapping Studio、Context Playground、Evaluation Center、Trace & Feedback Studio 等核心产品；
  • 4. 设计从原始资产接入、语义映射、上下文召回、Agent 消费到反馈回流的完整链路；
  • 5. 建立企业 AI 产品的评价体系，不只看 DAU，而是关注任务成功率、证据完整性、资产复用率和业务闭环率；
  • 6. 与算法、架构、工程和业务专家共同完成从研究假设到生产系统的验证。

值得研究的问题

你可能参与形成以下方向的产品研究或论文成果：

  • - 面向企业 Ontology 构建的人机协同交互机制；
  • - AI 结论的证据表达、信任校准和可解释交互；
  • - 面向复杂任务的 Context Engineering 产品范式；
  • - Agent 从建议到执行过程中的 Human-in-the-loop 设计；
  • - 基于 badcase 的企业知识资产持续治理机制；
  • - Coding Agent 时代，企业 AI 平台的产品形态演进；
  • - 面向专家与普通用户的渐进式语义建模体验。

对于适合脱敏和公开的问题，我们支持形成论文、专利、行业方法论或开源项目。

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 →