oppo机器学习算法健康方向提前批

【岗位职责】1. 多模态内容安全大模型研发• 负责游戏内文本、语音、图像、视频的多模态内容理解与风险识别模型（如辱骂、广告、不良信息）的算法设计与迭代。• 探索大模型（如视觉-语言模型、多模态预训练）在游戏内容安全场景的应用，提升复杂语义和上下文的理解能力。2. 安全Agent系统开发• 构建基于LLM/多模态大模型的智能对抗Agent，用于自动识别、处置和溯源游戏内违规内容与行为。• 开发Agent的决策、推理与自动化处置能力，优化安全运营效率。3. 数据与模型优化• 利用海量游戏内容数据（文本、语音、图像等）进行多模态数据清洗、分析与建模。• 针对游戏场景进行模型轻量化、部署优化与效果调优，平衡性能与实时性。4. 技术落地与业务协同• 与游戏产品、运营团队紧密合作，将算法能力嵌入实际安全防控体系（如实时审核、风险预警）。• 持续跟踪业界多模态、Agent技术进展，推动技术迭代与创新应用。【任职要求】• 学历专业：计算机、人工智能、电子工程等相关专业硕士及以上学历（实习岗为本科及以上在校生）。• 编程能力：熟练掌握Python，熟悉Linux开发环境，具备扎实的代码与数据处理能力（Shell/SQL等）。• 算法基础：熟悉深度学习、自然语言处理、计算机视觉或多模态学习的基础模型（如BERT、ViT、CLIP等）。• 经验优先：• 有大模型（LLM/VLM）训练、微调或部署经验，熟悉LangChain、AutoGen等Agent开发框架。• 有内容安全、风控、多模态理解等项目经验，或游戏行业相关背景。• 具备海外技术背景或外语能力者优先（适应国际化游戏内容审核）。• 软性素质：逻辑清晰、数据敏感、自驱力强，具备团队协作和业务落地思维。【业务场景】• 多模态辱骂识别：结合语音、文字、表情包识别玩家恶意行为（如《王者荣耀》《英雄联盟》场景）。• 跨模态广告引流检测：在游戏聊天、图像、视频中识别违规推广（如《和平精英》《火影忍者》手游）。• 智能安全Agent：构建自动巡逻Agent，实时发现并处置游戏内作弊、欺诈等复杂风险行为。【福利与资源】• 技术氛围：接触亿级日活游戏数据，参与行业前沿的多模态与Agent技术探索。• 游戏福利：皮肤/点券支持、内测资格、零食咖啡自由。• 团队支持：配备高性能GPU集群、丰富数据资源与业务场景。• 休闲彩蛋：王者/吃鸡内部车队助力上分，游戏周边福利不定期放送。【联系方式】有兴趣的同学把简历发送至 tinghuiliu@tencent.com

紧密关注AI发展的你应该已经注意到了越来越多的平台和公司开始做AI智能体（Agent）。最近爆火的开源项目 OpenClaw🦞，更是把 “AI 能自己动手干活” 这件事推向了大众视野，让大家直观感受到：AI 正在从只会聊天的机器人，变成能独立执行任务的智能助理。不同于AI聊天机器人单纯的执行用户命令，智能体化身为能思考的“助理”，探索用户的需求、并针对需求自行思考并搜索用户需要的信息，比如你要求AI写周报，普遍AI可能只是写一段文字，而智能体可以回顾周工作记录——>总结工作重点——>排版——>发送给用户。也就是说，AI不仅能聊天，还能 参与信息分发和内容理解。实际上，在大厂...

目前想竞争大模型应用开发或大模型算法的暑期实习，听说会有笔试，求大佬分享该刷什么题，力扣吗？

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理