大模型应用工程师岗位拆解：文心大模型应用

这条 JD 在招什么人

百度的文心大模型应用方向，落点在应用层：搜索的 AI 化改造、文心一言的产品功能、智能体平台上的应用。考察点按公开 JD 与面经的高频归纳，集中在检索增强与问答质量上：搜索场景对时效、准确性、幻觉的要求比一般应用苛刻，答错一条事实用户立刻能察觉。Agent 与工具是让模型接上实时信息的手段，RAG 是这条线的主干。

业务场景推测

大概率是搜索 AI 问答与文心一言应用层：查询理解与改写、检索与生成结合的问答、答案可信度控制（置信度：中，基于公开业务布局推断）。文心智能体平台的开发者生态支持也可能是日常的一部分（置信度：低，基于公开产品形态推断）。

硬技能：必须会什么

• RAG 主干：标准管线各环节（RAG 管线）、混合检索与重排（混合检索与重排）
• 查询侧：短输入怎么扩写不失真（查询改写）、检索 badcase 怎么排查（检索排查）
• 取舍：RAG 与微调各解决什么问题（RAG 还是微调）
• Agent：基本范式（Agent 是什么）、边想边做的执行模式（ReAct）、什么任务交给固定流程（workflow vs Agent）
• 幻觉控制：任务执行里的幻觉怎么检测（幻觉检测）
• 工程功底：Python、与搜索/推荐系统的接口对接意识

加分项：什么能拉开差距

• 搜索或推荐系统背景，懂查询理解与排序的接口约定
• 做过检索质量优化：召回、重排、答案抽取分别怎么调
• 有幻觉治理的实践：引用溯源、拒答策略、评测集建设
• 用过文心系模型 API，了解其在中文场景的强弱项

JD 没写但面试会问

• 搜索输入很短，query 改写怎么做才不失真（高频）
• 检索回来的内容互相矛盾，答案怎么组织
• 什么问题该拒答，拒答的边界怎么定
• 时效性问题（新闻、价格）怎么保证答案新鲜
• 给一个具体场景，RAG 还是微调，选一个说理由
• 问答质量怎么评，人工和自动各占多少

能力模型

简历怎么改

• RAG 经历分环节写数字：召回命中多少、重排后变化、端到端准确率
• 「优化了检索」换成具体动作与结果：加了重排、top3 命中率从 X 到 Y
• 幻觉治理经历单独写：策略、评测方法、前后对比
• 搜索相关背景显式写，这个岗位对查询理解经验敏感

项目建议

• 做一个基于公开语料的问答系统：查询改写、混合检索、重排、引用标注，每个环节留评测数字
• 收集 50 条 badcase，按检索失败与生成失败分类，各给修复方案
• 百度全部方向的题库见百度公司聚合页
• 直接用项目匹配器按你的基础和可用时间生成方案

准备计划

• 7 天：RAG 管线与查询改写题库速答过两遍；检索 badcase 排查要能说出套路，同步刷百度公司聚合页的面经题
• 21 天：做完问答系统项目并建立分环节指标；简历体检
• 45 天：完整走 RAG 工程师路线，用差距测试定位短板，模拟面试三轮以上