如果你最近在看AI岗位，很容易形成一种印象：大家好像都在训练模型、调效果、做应用。但其实当大模型真正接入业务之后，一个更棘手的问题开始浮出来：如果模型被攻击、被诱导、甚至被滥用，会发生什么？今天我们要说的AI安全算法工程师其实就在解决这件事。相比“把AI做得更强”，它更关注的是另一面——👉 如何让AI在复杂环境下，依然是可控的、可信的。一天一个AI岗位解析打破AI求职信息差，今天我们拆解的是AI安全算法工程师——Flow安全🧩 主要工作内容：让模型“不出事”如果只看岗位名称，很容易把它归到“算法岗”，但拆开JD会发现，它的工作重心其实有一个明显的转向——👉 用大模型能力，去解决安全问题，...

不过大厂的面试确实比小厂能学到更多

0实习，什么都没有，一问三不知简历如下求建议，算法什么的也不懂

1、项目里负责的边界是什么？哪些内容是亲手实现和验证的？2、如果要做一套可落地的 Agent 评测体系，整体怎么设计？评测一般要分离线和线上两层。离线评测解决“改动前后谁更好”，线上评测解决“真实用户下效果是否稳定”。离线侧我会先把样本按场景拆开，比如知识问答、工具调用、多轮追问、拒答场景、多语言场景、长文本场景，然后分别看回答正确率、工具调用成功率、检索命中率、拒答准确率和格式稳定性。线上侧看用户行为指标，比如首轮解决率、转人工率、二次追问率、平均耗时、token 成本和异常率。Agent 不能只看最终答案，通常要拆成三层指标：检索层、决策层、生成层。检索层看有没有召回正确证据，决策层看有没...