蔚来
实习蔚来AGI超星计划-企业智能算法研究员
上海 · 实习 · 2027 届 · 不限
长期有效
任职要求
- 我们希望你
- - 来自人工智能、计算机、数学、统计学、信息检索、自然语言处理或相关专业
- - 对研究问题有敏感度，不满足于调参和套用现成框架
- - 具备扎实的机器学习、深度学习或信息检索基础
- - 能阅读和复现高质量论文，也能把算法落到真实系统
- - 熟练使用 Python、PyTorch 或主流机器学习工具
- - 能够清晰定义问题、数据、指标、基线和实验方法。
- 加分项包括：
- - 在 NLP、IR、Knowledge Graph、Agent、LLM Evaluation、Database AI 等方向有研究经历
- - 有论文、专利、竞赛、开源项目或高质量研究型项目
- - 熟悉图学习、表示学习、Rerank、强化学习、因果推断或主动学习
- - 有构建 benchmark、evaluation framework 或真实数据集的经验。
- 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：Ontology / Context Engineering / Evaluation / Self-evolving AI
你要解决的问题
通用模型不会天然理解一家企业。
企业里存在数万张表、海量文档、复杂对象关系、不同指标口径、隐含规则和持续变化的业务状态。
这个岗位需要研究：
如何让 AI 从异构企业资产中建立语义，找到完整证据，组装正确上下文，完成可靠推理，并从失败中持续学习。
这不是单一的 RAG 问题，而是语义建模、信息检索、知识表示、推理、评测和学习系统的交叉问题。
你会参与的工作
- 1. 研究从表结构、字段、文档、代码和 API 中自动抽取企业对象、关系、事件、指标与规则；
- 2. 研究局部语义与 Canonical Ontology 的自动对齐、冲突识别和增量演进；
- 3. 设计面向复杂问题的多阶段召回、查询分解、证据选择和 Context Assemble 算法；
- 4. 研究结构化数据、非结构化知识和图谱的联合检索与 Rerank；
- 5. 建设 Context、Evidence、Agent、Skill 和业务输出的评测体系；
- 6. 从 tracing、用户反馈和业务结果中识别 badcase 根因，并生成资产修正建议；
- 7. 推动算法进入真实生产场景，并基于线上数据不断优化。
重点研究方向
- 1.1 Enterprise Ontology Induction
- - 从数仓 Schema、文档和代码中自动发现企业对象及关系；
- - Canonical Ontology 与领域 Ontology 的匹配、融合和冲突处理；
- - 弱监督、主动学习与专家反馈结合的语义治理；
- - Ontology 版本变化的影响分析与质量评估。
- 1.2 Semantic Mapping
- - 表、字段、指标、文档、API 与业务对象的跨模态语义匹配；
- - 基于描述、数据分布、查询日志和业务关系的联合建模；
- - Mapping 置信度、可解释性与人工审核优先级；
- - 面向长尾系统的小样本和零样本语义映射。
- 1.3 Context Assembly
- - Token 预算约束下的上下文选择和信息压缩；
- - 面向复杂任务的查询分解和多跳证据组装；
- - 事实、关系、规则、历史和 Memory 的动态组合；
- - 面向不同模型和任务的 Context 自适应优化；
- - Context 完整性、相关性、时效性和冗余度评价。
- 1.4 Evidence and Trustworthiness
- - 证据召回率、完整性和忠实度评测；
- - 结论与数据、文档、指标及规则之间的可验证绑定；
- - 无法回答、证据冲突和不确定性的识别；
- - 基于业务约束的幻觉检测和答案校验。
- 1.5 Agent Evaluation
- - 长链路任务的过程评测和结果评测；
- - Tool Call 正确性、任务完成度和执行风险评价；
- - 从 tracing 中定位失败发生在召回、推理、规划还是执行；
- - 基于生产 badcase 自动构建评测集；
- - Agent 版本回归与线上效果预测。
- 1.6 Governed Learning Flywheel
- - 从用户修正和业务结果中提取高价值学习信号；
- - 自动生成 Ontology、Mapping、Rule、Skill 和 Eval Case 的修改建议；
- - 防止错误反馈污染企业核心资产；
- - 人机协同下的受治理自进化机制；
- - 企业长期记忆的沉淀、压缩、冲突消解与遗忘。
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。