美团
实习【北斗实习】大模型应用算法研究员-Agent构建
北京 · 实习 · 博士
长期有效
任职要求
- 海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
- 1.超级学霸：专业成绩排名前1%。
- 2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。
- 3.竞赛大神：在顶级大赛上获奖。
- 4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。
岗位描述
【岗位职责】
【课题说明】
以大语言模型（LLM）的 Workflow 、 Agent、对话能力为核心，研究方向包括上下文管理、生成式推荐、Agent Skills、Post-Training、LLM+Decision、LLM +Causal 等。主要业务场景为探索 AI 在骑手运营场景下的落地实践，实现“技术驱动业务范式”的升级转变。
【建议研究方向】
- 1. Agent 工作流与规划：设计具有复杂规划（Planning）与工具调用能力的 Agent，实现任务的自动化拆解与执行。
- 2. 生成式用户理解：基于 LLM 进行语义挖掘，构建动态用户画像（Persona），实现生成式的用户*运营策略的个性化推荐。
- 3. 上下文与记忆管理：攻克长窗口（Long Context）难题，设计高效的记忆（Memory）与 RAG 机制，保障长周期交互的逻辑连贯。
- 4. 行业大模型后训练：通过自动化样本生成、通用评估方案建设、reward设计与探索，大幅提升应用依赖的行业大模型质量。
- 5. 决策科学融合：将Decision、Causal等传统决策技术与 LLM 推理结合，提升传统的决策智能表现。
我们将提供海量的真实业务场景、充足的 GPU 计算资源和极高的探索自由度，目标是产出既有技术深度又能直接创造业务价值的未来 AI 应用范式。
【任职要求】
海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：
- 1.超级学霸：专业成绩排名前1%。
- 2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。
- 3.竞赛大神：在顶级大赛上获奖。
- 4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。
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
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。