工程效能工程师-AI与研发基建方向

杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 工程能力：扎实的编程功底，精通 Go 或 Python，具备大型分布式系统或研发工具平台的开发经验；
2. AI/LLM 背景：熟悉 OpenAI/LangChain/LlamaIndex 等技术框架，有 AI Agent、Prompt Engineering 或模型微调（SFT）实际落地经验者优先；
3. 自动化/基建：精通 Docker/K8s 容器化技术，深入理解 CI/CD 原理，有 Jenkins/GitLab CI 深度定制开发经验；
4. 算法视野：了解常用的机器学习算法（如时序预测、聚类分析、Isolation Forest 等），能将其应用于日志分析或异常预测场景；
5. 极客精神：对提升研发效率有近乎偏执的追求，善于从重复劳动中发现问题并将其转化为工具或平台。

岗位描述

1. 基于 LLM 的智能质量体系设计：深入业务场景，利用大语言模型（LLM）对需求文档、技术方案进行语义分析，自动生成测试矩阵与核心用例；设计并实现“AI 质量门禁”，在代码合入前自动进行影响面评估与自动化回归；
2. 研发下一代 AI Testing Agent：开发具备自愈能力的 AI Testing Agent，能够模拟真实用户行为进行探索性测试；利用 Agent 技术实现测试脚本的自动维护与修复，解决传统 UI 自动化维护成本高的痛点；
3. 构建智能化 CI/CD 平台：设计并开发高可用的持续集成与交付流水线。引入 AI 智能决策模型，实现测试套件的高效并发调度、构建失败的自动根因分析（Auto-Root Cause Analysis）以及发布风险的实时预测；
4. AIOps 与智能观察力建设：使用 Python、Go 开发基础设施即代码（IaC）工具。集成 Prometheus、ELK 等技术栈，应用时序预测与异常检测算法，构建具备“语义理解”能力的监控告警系统，实现故障的秒级感知与 Agent 辅助自愈；
5. LLM 驱动的代码治理与安全：研发基于 LLM 的静态代码分析插件与安全审计工具。通过 Agent 自动扫描代码漏洞、架构违规及性能隐患，并提供生产级的自动化修复建议（Auto-Fix）；
6. 研发全生命周期效能度量：通过数据挖掘技术，沉淀产研全流程数据，构建智能化效能度量体系。利用 AI 挖掘流程瓶颈，通过工具化的手段解决研发过程中的“脏活累活”，极致提升整体交付质量与效率。
1. 工程能力：扎实的编程功底，精通 Go 或 Python，具备大型分布式系统或研发工具平台的开发经验；
2. AI/LLM 背景：熟悉 OpenAI/LangChain/LlamaIndex 等技术框架，有 AI Agent、Prompt Engineering 或模型微调（SFT）实际落地经验者优先；
3. 自动化/基建：精通 Docker/K8s 容器化技术，深入理解 CI/CD 原理，有 Jenkins/GitLab CI 深度定制开发经验；
4. 算法视野：了解常用的机器学习算法（如时序预测、聚类分析、Isolation Forest 等），能将其应用于日志分析或异常预测场景；
5. 极客精神：对提升研发效率有近乎偏执的追求，善于从重复劳动中发现问题并将其转化为工具或平台。

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 →