【阿里国际数字商业集团-AI应用研发工程师（暑期实习）-北京/广州 团队直推】

聚焦核心业务场景，利用Agent等前沿技术推动AI落地。你将参与从需求洞察到系统构建的全流程，通过研发智能应用与工具，提升业务效率与效果，实现技术驱动业务增长的完整闭环，推动智能规模化演进，实现技术价值转化。具体职责包括以下相关方向的一项或多项：1.需求理解与归因：● 深入业务场景，利用数据挖掘与特征分析完成现象归因；精准识别高价值问题，将模糊的业务痛点转化为明确的 AI 解决目标。2.架构设计：● 面向具体业务需求，设计 AI 原生系统架构；参与 Agent 系统核心模块的规划，包括记忆管理、推理策略与工具编排，兼顾架构的灵活性、可扩展性与工程可落地性。3.知识与环境构建：● 搭建AI与现有业务系统的交互环境，涵盖 API 接入、RAG 知识库构建、记忆方案设计；持续优化召回质量与上下文注入策略，为模型提供准确、及时的执行环境与知识支撑。4.核心能力实现：● 负责Agent关键模块的工程落地，实现意图识别、任务拆解与反思纠错闭环；封装标准化SDK/API服务，构建Agent观测体系，实现全链路追踪与多维归因分析。5.系统迭代与演进：● 建立搭建自动化评测与回测机制，通过调优与Case分析不断收敛效果与性能提升的最优路径；沉淀方法论与可复用组件，推动 AI 能力从单点验证走向规模化落地。6.性能优化：● 优化高并发场景下的系统性能，通过异步处理与降级策略保障稳定性，通过低侵入性观测手段保障系统的长期稳定运行。1.基础条件● 计算机、软件工程、人工智能等相关专业优先。2.专业能力● AI编程工具重度玩家：Cursor、Claude code等AI编程工具重度或顶级玩家，具备极强的Prompt编写与调优能力，有过完整的项目级开发经验，理解如何让AI写出生产级代码。● 大模型能力理解与掌握：理解主流LLM的能力与局限，能够清晰拆解任务并通过LLM或确定性逻辑兜底实现；熟悉主流大模型的应用范式(Context Engineering、Prompt Engineering、Agent、工具/函数调用等等)及主流Agent框架(如LangChain等)，具备大模型幻觉、Prompt注入等风险的工程化应对思路。● 扎实的代码和工程能力：具备扎实的计算机基础知识，深入理解数据结构、算法、网络和操作系统等相关知识，能至少在一种主流编程语言（如 Java / Python / JS 等）上有深度的实践经验，掌握常见工程实践并具备优秀的Coding 能力，能够根据场景灵活选型并快速上手。3.能力特质● 学习能力： 具备快速啃透前沿论文（Paper）的能力，并能将理论知识转化为工程代码。● 开放性与动手能力： 拒绝纸上谈兵，有自己独立完成的小项目（开源项目或个人 Demo），展现极客精神。● 好奇心与想象力： 面对未知事物有独特的想法，具备敏锐的问题定义能力和坚韧的解决问题能力。● 审美追求： 技术亦有审美，鼓励你提出能提出打动人心、简洁优雅的好想法。● 高能动性： 具备强烈的自驱力，能够主动探索边界，而不是等待被分配任务。加分项● 有AI应用或Agent实际落地经验：包括不限于RAG系统、多智能体编排、结合MCP、Skill等的Agent项目，有可展示的项目/实习成果者优先。● 开源贡献或技术影响力：在Github上有高质量AI项目、技术博客或社区影响力。● 对AI Infra有基本理解：了解vLLM、Ollama等推理框架原理，理解延迟优化、KV cache优化、流式输出等工程全局视角。● 在 CV（计算机视觉）或 NLP（自然语言处理）方向有扎实的理论基础，有实际业务场景模型训练(SFT、RL)等经验的优先。

面了十多家公司，拿了大厂和中小厂的实习offer，也踩过不少面试的坑，发现很多C++同学不是技术不行，而是回答方式不对、踩了面试官的雷区，明明会的知识点，一说就错，明明能拿分的问题，直接答崩。其实C++面试，尤其是实习面，面试官不仅看你会不会，更看你懂不懂职场规矩、思不思路清晰、靠不靠谱，分享几个我踩过坑后总结的回答思路，还有高频坑点，记住这些，至少面试不丢分，甚至能加分。一、技术题别只会“报答案”，要会“讲逻辑”这是最容易踩的坑，也是C++面试最核心的点，面试官问技术问题，不是考你背题，而是看你理解底层、能落地、会思考。比如问你“为什么用shared_ptr而不是裸指针”，别只说“防止内存泄...

Q:请详细解释一下 Transformer 模型中的自注意力机制是如何工作的?它为什么比 RNN 更适合处理长序列? 难度:⭐⭐ 公司:字节、阿里、腾讯(高频) 算法岗回答要点:   自注意力机制原理  输入序列通过三个线性变换得到 Q(Query)、K(Key)、V(Value) 计算注意力分数:scores = QK^T / √d_k Softmax 归一化得到注意力权重 加权求和:output = softmax(scores) · V    数学推导 Attention(Q,K,V) = softmax(QK^T/√d_k)V   为什么除以√d_k?防止点积过大导致梯度消失 Mult...