美团
校招【北斗】大模型算法研究员（Agent RL/RAG/多模态技术）
北京/上海 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 【岗位要求】
- 1. 2027届硕士及以上学历，计算机、人工智能、数学等相关专业。
- 2. 扎实的深度学习理论基础，精通PyTorch等主流框架，具备独立复现和改进前沿模型的能力。
- 3. 在NLP/多模态/强化学习至少一个方向有深入研究经验。
- 4. 具有出色的分析、解决问题的能力，能深入解决大模型训练和应用存在的问题，有自主探索解决方案的能力者优先；
- 【加分项】
- 1. 在ACL/ AAAI/ NeurIPS/ ICCV/ SIGIR/ IJCAI等顶会以第一作者发表论文。
- 2. 在有影响力的开源项目中做出过核心贡献。
- 3.Kaggle / ACM 等竞赛获奖经历。
- 在这里，你将有机会参与：
- 1、真实场景，真实影响力 — 这里没有束之高阁的论文复现，你写下的每一行代码都可能改变数万人的工作方式
- 2、 前沿技术栈，全链路参与 — 从模型研究到系统设计到线上落地，你将完整经历 AI 技术从 idea 到 impact 的全过程
- 3、定义级别的工作 — 你参与的不是在现有框架上做优化，而是从零定义企业 AI Operating System 的核心架构
- 4、与顶尖人才共事 — 团队成员均在本领域有深度研究和实践，在 AI 前沿方向持续产出
- 这里没有停留在实验室里的 Demo，而是真实的用户、真实的数据和真实的业务挑战。你写下的每一行代码，都可能影响数万名员工的工作方式。
- 我们相信，未来企业的核心竞争力不只是拥有 AI，而是拥有能够持续学习、持续进化的组织智能（Organizational Intelligence）。
- 如果你渴望参与构建企业级 AI 的 Memory、Cognition 与 Agent 三层架构，定义未来企业的智能操作系统——我们在这里等你。
岗位描述
【岗位职责】
我们正在构建下一代企业级 AI 知识中枢——不是一个实验室里的 Demo，而是一套正在真实运转、服务数万人的智能系统。从支撑百万级文档的智能问答引擎，到覆盖全公司的 AI 办公助手，我们的技术每天都在改变真实用户的工作方式。而现在，我们正在迈向更具野心的目标：构建企业的组织认知系统（Organizational Intelligence）——让 AI 不仅回答问题，更能理解组织如何运转、知识如何流动、决策如何形成。
通过连接文档、会议、IM、代码、项目与业务流程，我们正在定义企业 AI 的三层核心架构：Memory — 组织记忆：可持续沉淀、持续演化的知识底座；Cognition — 组织认知：理解上下文、识别模式、辅助决策；Agent — 智能行动：自主规划、多步执行、自我进化。
核心职责：
- 1、 多模态 RAG 架构设计面向文本、图像、表格、视频的统一检索增强生成框架，攻克跨模态知识索引与融合的核心挑战，让企业知识库中的每一种信息形态都能被精准理解和召回。
- 2、Agent 强化学习与自主规划探索基于 RL 的工具调用与任务规划能力，实现多轮多步骤复杂办公任务的自主执行，构建具备长期记忆与自我进化能力的下一代办公 Agent。
- 3、大模型可信度与幻觉抑制研究幻觉检测与抑制技术，构建事实一致性评估体系与证据链追溯机制，确保企业级知识问答输出的每一个字都经得起验证。
【任职要求】
【岗位要求】
- 1. 2027届硕士及以上学历，计算机、人工智能、数学等相关专业。
- 2. 扎实的深度学习理论基础，精通PyTorch等主流框架，具备独立复现和改进前沿模型的能力。
- 3. 在NLP/多模态/强化学习至少一个方向有深入研究经验。
- 4. 具有出色的分析、解决问题的能力，能深入解决大模型训练和应用存在的问题，有自主探索解决方案的能力者优先；
【加分项】
- 1. 在ACL/ AAAI/ NeurIPS/ ICCV/ SIGIR/ IJCAI等顶会以第一作者发表论文。
- 2. 在有影响力的开源项目中做出过核心贡献。
- 3.Kaggle / ACM 等竞赛获奖经历。
在这里，你将有机会参与：
- 1、真实场景，真实影响力 — 这里没有束之高阁的论文复现，你写下的每一行代码都可能改变数万人的工作方式
- 2、 前沿技术栈，全链路参与 — 从模型研究到系统设计到线上落地，你将完整经历 AI 技术从 idea 到 impact 的全过程
- 3、定义级别的工作 — 你参与的不是在现有框架上做优化，而是从零定义企业 AI Operating System 的核心架构
- 4、与顶尖人才共事 — 团队成员均在本领域有深度研究和实践，在 AI 前沿方向持续产出
这里没有停留在实验室里的 Demo，而是真实的用户、真实的数据和真实的业务挑战。你写下的每一行代码，都可能影响数万名员工的工作方式。
我们相信，未来企业的核心竞争力不只是拥有 AI，而是拥有能够持续学习、持续进化的组织智能（Organizational Intelligence）。
如果你渴望参与构建企业级 AI 的 Memory、Cognition 与 Agent 三层架构，定义未来企业的智能操作系统——我们在这里等你。
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。