AI应用算法实习生

将大模型能力做成可上线、可迭代、可控成本的产品能力。通过打造数据飞轮、模型适配与后训练、评测与实验等关键手段，实现端到端的闭环交付，持续提升产品的效果与稳定性。 具体职责包括以下相关方向的一项或多项：

1. 01

   需求与问题定义 ● 深入业务与产品共创需求，将诉求转化为可执行的AI任务定义，明确目标、边界、优先级与验收口径。

2. 02

   方案与应用架构 ● 在Prompt、RAG、微调、Agent等路线间做技术选型与权衡，设计端到端应用架构（含上下文、工具调用、记忆、权限与安全），并完成RAG、Memory、Tool Use、多Agent等能力的工程化落地与生产级集成。

3. 03

   数据飞轮与治理 ● 搭建高效的数据采集、清洗与标注工程流水线。前瞻性地探索合成数据与模型自标注等自循环策略，同时建立完善的数据版本追踪与质量评估体系，真正打通“模型训练-业务应用-用户反馈-数据迭代”的增强回路。

4. 04

   模型适配与后训练 ● 主导基座大模型向顶尖垂直行业专家的后训练的全链路技术演进，包括高质量的SFT、RL阶段PPO、GRPO等前沿强化学习与偏好优化算法攻坚，全面突破模型在复杂业务场景下的指令遵循精度、极致可控性与长链路逻辑推理天花板，显著提升大模型在复杂业务场景下应用能力。

5. 05

   评测体系与实验 ● 面向业务目标设计评测指标与Rubric，搭建自动化评测框架（含人工评审），建立离线基准与线上实验体系（A/B、Bandit），持续监控指标漂移与策略投机以防止效果退化。

6. 06

   生产交付与运营 ● 负责系统集成与上线发布，对线上质量、稳定性与成本负责，建立监控、告警、兜底与人工接管机制，推动持续迭代。

1. 01

   基础条件 ● 计算机、数学、统计学等相关专业硕士/博士优先，优秀本科生不受限制。

• 有顶会论文（ACL/EMNLP/ICLR/NeurIPS/ICML等）/高影响项目/开源贡献者加分。

2. 02

   专业能力 ● 模型与后训练：了解Transformer/LLM模型架构、演进原理与局限；具备SFT/DPO/RL等后训练与迭代能力（含数据/评估/优化），对后训练算法有实践经验和深刻认知；拥有Agentic RL训练实操经验者优先。

• Agent与系统编排：能做任务拆解与多Agent协作；熟悉RAG、Memory、Tool-Use（含MCP/类协议/Skills等）并能工程化落地；独立开发过具备一定影响力AI应用者优先。

• 数据构建：具备Data-centric AI意识，精通后训练所需高质量数据挖掘与构造，具备合成数据（Synthetic Data）与动作轨迹（Trajectory）构建实践经验者优先。

• 评测与交付：能搭建评估闭环（autorater/LLM-as-judge、离线评测、A/B）；具备测试、调试、review、安全/隐私与质量门禁能力；能基于评测结果精准分析和定位问题，具备复杂多步任务的量化评估能力者优先。

• 工程与系统素养：能够通过Vibe Coding快速构建项目原型；理解分布式系统/数据库/计算机系统基础；精通至少一门语言，熟练掌握Python与Pytorch；熟悉Git/命令行；了解大模型训练与推理框架（Megatron-LM、vLLM、DeepSpeed/FSDP等），有分布式训练/大规模数据处理经验（Hadoop/MaxCompute等）加分。

3. 03

   能力特质 ● 学习力：对AI有热情、对前沿技术与产品好奇，对未知开放，能举一反三。

• 动手能力：积极主动体验市场中先进的模型和产品，独立阅读论文/技术报告等并快速复现，快速主动尝试落地先进开源项目，对主流AI开源项目有贡献者优先。

• 技术审美：对新技术有近乎本能的渴望，能区分“能跑”与“优雅”，追求简洁、可维护、可扩展；在模型/框架/工具选型上保持高信噪比决策。