算法岗实习

【拼多多集团-PDD研发实习生招聘】HC多即日起至2026年6月14日内推链接：https://careers.pddglobalhr.com/campus/intern?t=js9qo52f0s内推码：js9qo52f0s📌 岗位方向：服务端开发大模型算法算法工程客户端开发Web前端安全技术内推简历优先筛选~

分享一个我熟悉的日常，也是很多同行在经历的生活。工作日的早晨，通常九点前到公司，用120%的状态启动一天。上午用来处理最需要专注的任务：模型调参、跑实验，或是写方案。算法工作不是流水线，需要高度集中。午饭后休息半小时，这是必要的充电。下午继续处理工作，可能是分析数据，写代码，或和团队讨论方案。晚上六七点晚餐，之后散步或运动半小时，这半小时能让晚上的思路更清晰。晚上通常会继续工作到十点左右，处理些需要安静思考的事情，比如看论文、规划第二天实验，或是写技术文档。有接指导的话就会10点左右开始，到11点出头结束，然后洗澡睡觉周末的安排相对灵活，但实验不会停。早上起来第一件事常是查看昨晚的实验结果，根据数据调整参数继续跑。白天可能会有自己的时间，爬爬山或打场羽毛球，但脑子里总会挂着实验的进展。晚上继续查看结果，准备下一轮迭代。这就是算法工程师的日常——高强度，但也有节奏。热爱技术的人会享受这种不断求解的过程，看着模型指标一点点提升，那种成就感很真实。我见过太多同学对这份工作充满向往，但对其中的持续投入准备不足。了解真实的工作状态，能帮你更理性地做出选择。工作日常 职业发展

拼多多27届研发暑期实习🔥 留用机会真的多！Base 上海，大模型算法/服务端/算法/客户端/前端/安全✅ 硬核成长： 导师带教+项目实践+大体量用户平台+转正几率高。✅ 时间友好：7月-8月全勤两个月（这是硬性要求哦）🚀内推链接：https://careers.pddglobalhr.com/campus/intern?t=fmTZtKuGa3内推码：fmTZtKuGa3

【拼多多27届研发暑期实习🔥 留用机会真的多！Base 上海，大模型算法/服务端/算法/客户端/前端/安全✅ 硬核成长： 导师带教+项目实践+大体量用户平台+转正几率高。✅ 时间友好：7月-8月全勤两个月（这是硬性要求哦）🚀 怎么投：内推链接：https://careers.pddglobalhr.com/campus/intern?t=fmTZtKuGa3内推码：fmTZtKuGa3

【拼多多27届研发暑期实习🔥 留用机会真的多！Base 上海，大模型算法/服务端/算法/客户端/前端/安全✅ 硬核成长： 导师带教+项目实践+大体量用户平台+转正几率高。✅ 时间友好：7月-8月全勤两个月（这是硬性要求哦）内推链接：https://careers.pddglobalhr.com/campus/grad/detail?t=EwY4AGHBPa内推码：EwY4AGHBPa

方向不设限制，一起探讨AI在电商领域的落地应用拼多多27届研发暑期实习🔥 留用机会真的多！Base 上海，大模型算法/服务端/算法/客户端/前端/安全✅ 硬核成长： 导师带教+项目实践+大体量用户平台+转正几率高。✅ 时间友好：7月-8月全勤两个月（这是硬性要求哦）🚀 怎么投：内推链接：https://careers.pddglobalhr.com/campus/intern?t=fmTZtKuGa3内推码：fmTZtKuGa3

大家苦代码手撕久矣，天天刷力扣进去又不常用，更多是作为筛选门槛。最近一位同学实习面试时，面试官给了两个选择：传统算法题，或者用大模型辅助写一个完整的深度搜索框架流程并进行优化解释。这其实反映了两个维度的考察：一是对大模型这类生产工具的熟练度，毕竟实际工作中大家都在用；二是对稍大规模项目的理解和设计能力，这远不是有工具就能做好的事。对于实习岗位，这种考核形式可能更贴近实际。招人进来是为了干活，如果对工具熟练、对项目有理解，确实比单纯会解算法题更重要。但在越来越卷的秋招中，传统的代码考察短期内估计不会消失。在海量候选人里，算法题依然是最高效的硬筛选指标之一。不过长期看，随着AI辅助编程成为标配，面试形式一定会逐步调整——可能更侧重系统设计、代码评审、或是在限定工具下的问题解决能力。未来理想的考察，或许会是“开卷考试”：允许使用任何工具，但要求你在规定时间内给出一个可运行、可解释、且经过优化的解决方案。这更能模拟真实工作场景。我拥有7年大厂算法经验，担任过多次校招社招面试官。如果你在准备面试时对考察形式有疑问，欢迎联系我交流。代码考察 面试趋势

🏢公司名称：淘天集团💻招聘岗位：AI Agent 优化工程师(偏算法) -(训练、数据、评测方向)🌟内推码：19G705我们是谁？🌍 天猫国际技术团队中国跨境进口NO.1平台的技术引擎● 覆盖「人货关仓税汇服」全链路的进口业务系统● 服务数亿消费者 × 千万商家 × 百亿商品的超级系统● 平台/直营/探物/免税...最全进口业态一网打尽岗位：AI Agent 优化工程师(偏算法) -(训练、数据、评测方向)你将做什么？围绕真实电商核心场景，参与 AI 应用的系统化构建与优化，把 AI 变为业务增长引擎：1. AI 应用全生命周期演进：深度参与业务问题建模、应用架构设计、上下文工程、训练数据构建、自动化评估、模型后训练优化2. 数据飞轮构建：打造高质量数据生产链路，探索合成数据（Synthetic Data）与高效蒸馏技术，跑通"业务-模型-反馈"迭代闭环3. 评测体系构建：面向业务目标设计完备的效果评估体系，构建自动化评估框架（LLM-as-a-Judge），建立离线评估与在线业务指标联动4. 强化学习与奖励机制设计：构建可工程化的 Reward 体系与 RL 训练环境，提升模型在垂直场景中的可控性与泛化能力5. AI 外部能力体系搭建：实现知识库（RAG）、长短期记忆系统（Memory)、工具调用、多 Agent 协作框架等6. 多模态 AI 应用开发：构建多模态感知与推理能力，解决 UI 自动化、视觉理解与审核、多模态会话等场景落地问题我们期待你：● 2027 届应届毕业生，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● 深入理解 Transformer 和主流 LLM 架构演进，对后训练算法有实操经验和深刻认知● 掌握主流 AI 协议（MCP、Skills）、记忆系统（Memory）、知识库（RAG）● 较强 Python 编程能力，熟练掌握 PyTorch，了解大模型训练与推理框架（Megatron-LM、vLLM、DeepSpeed）● 有很强的 Data-centric AI 意识，精通后训练所需高质量数据挖掘与构造● 拒绝盲目调参，能针对 Agent 任务设计科学评测体系，基于评测结果精准分析和定位问题● 有 Agentic RL 训练实操经验者优先● 独立开发过具备影响力的 AI 应用者优先● 具备合成数据（Synthetic Data）与动作轨迹（Trajectory）构建实操经验者优先● 具备复杂多步任务量化评估能力者优先● 在 AI 顶会（ACL/EMNLP/ICLR/NeurIPS/ICML）发表大模型评测、数据合成、Agent、RL 相关一作或共一论文者优先● 知名大模型评测框架或高质量开源数据核心贡献者优先● 极强的数学功底和逻辑分析能力，对高质量数据和评测有端到端闭环经验者优先

在大伙秋招的时候本来信心满满，准备申博的，结果最后没有申到满意的学校，就临时打算试试找工作了。26届6月份就要毕业了，背景比较一般，211硕，无实习，有一篇三大会的一作，以及一些竞赛国奖杂七杂八的。方向是传统的CV，没怎么接触过LLM，AIGC这种热门方向（实验室小作坊）。求大佬们给点建议，现在这个时间点不知道该咋办了。是结合自己方向学点VLLM直接年后春招，还是年后先去实习？顺便想问一下如果年后去实习，3个月之后还有转正或者再找工作的机会嘛？

华为实习生招聘进行中✨服务生态与支付BU负责鸿蒙生态支付底座和鸿蒙服务生态建设，构建鸿蒙元服务分发管理体系，打造标杆行业解决方案，促进鸿蒙生态繁荣。HarmonyOS级支付解决方案，为消费者提供鸿蒙生态下安全、便捷、可信的支付体验，为企业提供可靠的支付解决方案，帮助伙伴实现商业变现。元服务是HarmonyOS下的巨大创新，通过软硬件入口及AI大模型的使能，为消费者提供智慧化、合时宜的服务体验，为全球伙伴和开发者开辟新赛道。✨实习方向1、基于用户意图的流量分配智能决策算法研究与应用2、基于大模型的服务理解与AIGC的究与应用3、基于搜推全链路的算法优化研究与应用4、基于支付解决方案的用户理解算法研究与应用5、支付风控领域知识图谱和图神经网络算法研究与应用✨实习地点：上海／南京/  深圳／东莞欢迎私信

AI 写代码之后，Harness Engineering 为什么会冒出来？最近看了几篇关于 Harness Engineering 的文章，感觉这个词虽然新，但背后的东西一点都不玄。它本质上不是一个新的框架，也不是一套提示词技巧，而是一个很普通的软件工程问题：当 AI Agent 真的开始参与开发，怎么让它在一个真实代码库里持续干活，并且别把项目搞乱？如果只是让模型写一个函数、补一个脚本，其实不用太多 Harness。但一旦任务变成连续开发一个功能、跨多轮上下文接力、修改真实业务代码、自己跑测试看日志修 bug，最后还要判断“是不是完成了”，问题就会变得很像团队协作问题，而不是单次代码生成问题。1.  Anthropic 先碰到的是“接不上班”Anthropic 在 2025 年 11 月那篇文章里，讲的是 long-running agents。我觉得这里最值得看的不是它用了哪些 agent，而是它遇到的问题很真实：一个 Agent 做到一半，下一轮接手时不知道现场是什么状态。这其实就是工程团队里的交接问题。人类工程师交接时至少会留下：- 当前做到哪了- 哪些测试跑过- 哪些地方还没做- 哪些决策已经定了- 代码为什么这样改如果这些东西没有留下来，下一个人接手也会懵。Agent 也一样。所以 Anthropic 的做法不是单纯加长上下文，而是让系统显式保存现场，比如进度记录、git history、feature list、验证结果。这件事很关键：长任务的核心不是让 Agent 一口气干完，而是让它能被可靠接力。2. Mitchell Hashimoto 给了它一个名字Mitchell Hashimoto 后来把这套东西叫 Harness Engineering。我觉得这个名字好，是因为它把关注点从“模型聪不聪明”拉回到了“工程环境靠不靠谱”。他那篇文章里有个思路很值得借鉴：Agent 每次犯错，不要只归因于模型不行，而是看能不能把这次错误沉淀进系统。比如：- 它总是不知道项目约定，那就写进 `AGENTS.md`- 它老是忘记跑某个检查，那就做成脚本- 它改 UI 改歪了，那就加截图验证- 它跑全量测试太慢，那就准备更合适的测试入口这和传统工程里的 postmortem 很像。事故发生后，成熟团队不会只说“下次注意”，而是补监控、补测试、补流程、补自动化。Harness Engineering 对 Agent 做的是同一件事。3. OpenAI 把它放进 Codex 的工程叙事里OpenAI 讲 Codex 的时候，把 Harness Engineering 提到了一个更高的位置。我理解它想表达的是：AI 写代码之后，工程师不是消失，而是工作位置变了。以前工程师主要是直接写代码。现在一部分工作会变成：- 给 Agent 定义任务边界- 给它准备上下文- 给它提供工具- 给它设计验证路径- 判断它的结果是否可信- 把反复出现的问题固化到工程系统里这不是“不会写代码也能当工程师”。恰恰相反，这更吃工程经验。因为你要知道什么地方容易出问题，什么东西必须自动验证，什么上下文对修改代码真的有用，什么规则写了也没人看。4. Martin Fowler 那篇提醒了一件事：别把 Harness 做成文档堆我觉得 Martin Fowler 网站上那篇比较有价值的地方，是它提醒大家别走偏。很多人一听 Harness，就会开始写文档：项目规范、编码要求、Agent 使用指南、各种“你应该”。但文档不是没用，而是只靠文档不够。真实项目里，最有用的约束往往不是“请不要破坏架构”，而是：- 破坏架构时测试会挂- 越界依赖会被 lint 拦住- 类型系统会报错- CI 会失败- 日志能指出问题- review 能发现设计不对也就是说，Harness 更像一套反馈系统，而不是一份说明书。如果系统不能发现偏差，只是告诉 Agent “你要写好代码”，那基本等于许愿。5. Michael Bolin 的观点：Harness 不要做太重Michael Bolin 的方向我也挺认同。如果 Harness 做得太重，给 Agent 包一层又一层专用框架，最后它可能只是一个会点按钮的自动化脚本。但 Codex 这类 Agent 更像是要在真实开发环境里工作。所以它需要的是少量但通用的能力：- 终端- 文件系统- 沙箱- 测试命令- 上下文入口- 必要的记忆这里有个取舍：Harness 不能什么都不管，否则 Agent 会乱跑。但 Harness 也不能太厚，否则模型自己的推理和探索能力发挥不出来。比较理想的状态是：环境要稳，工具要少，反馈要快，边界要清楚。6. Anthropic 后来又提出两个很现实的问题Anthropic 后面那篇 long-running apps 里，我觉得两个问题特别有现场感。第一个是 context anxiety。上下文一长，Agent 会开始乱。它会反复翻旧信息，担心漏东西，最后判断质量下降。第二个是 self-evaluation distortion。Agent 自己评估自己时，容易过度乐观。这个也很符合日常体验。让一个 Agent 自己写、自己测、自己宣布完成，风险很高。所以更合理的方式是把角色拆开：- 一个 Agent 负责实现- 一个 Agent 负责检查- 系统负责跑测试- 人负责最终判断方向和取舍这其实就是软件工程里很老的东西：开发、测试、review、发布，不应该全靠同一个脑子。所以 Harness Engineering 到底在解决什么？我现在更愿意把 Harness Engineering 理解成：为 AI Agent 准备一个可交接、可验证、可恢复、可约束的软件工程环境。它不是 prompt engineering。Prompt engineering 解决的是“怎么和模型说”。Harness Engineering 解决的是“模型干活时，系统怎么兜底”。这两个层级差很多。AI Agent 越强，Harness 反而越重要。原因很简单：它写得越快，跑偏也越快。以前一个工程师一天写错一点代码，review 还能拦一拦。以后 Agent 半小时改几十个文件，如果没有测试、日志、边界、review 和交接记录，项目会坏得非常快。所以我不觉得 Harness Engineering 是一个短期热词。它更像是 Agentic Coding 真正进入工程现场之后，大家不得不重新重视的软件工程基本功。最后一句话总结：Harness 不是用来管人的，是用来约束代码生产过程的。或者说得更直接一点：AI 写代码之后，软件工程没有变轻，反而更工程了。参考文章- Anthropic: [Effective harnesses for long-running agents](https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents)- Mitchell Hashimoto: [My AI Adoption Journey](https://mitchellh.com/writing/my-ai-adoption-journey)- OpenAI: [Harness engineering](https://openai.com/index/harness-engineering/)- Martin Fowler: [Harness Engineering](https://martinfowler.com/articles/exploring-gen-ai/harness-engineering.html)- Anthropic: [Harness design for long-running apps](https://www.anthropic.com/engineering/harness-design-long-running-apps)

如图，实习生可以私聊我看看简历（我可以给点修改建议）投递直接如图邮箱直达老板

阳光数科，10000人+企业，ai应用算法工程师，base北京通州，日薪200，有食堂三餐自费，租房合租约1000，保险业务，以视觉算法做切入，会安排ai相关业务，现在给我定了做视觉相关的多模态算法以及ai全栈开发国医科技，1000人+企业，ai算法实习生（计算机视觉方向），base合肥，日薪200，三餐包，有住房，但可能考虑租房，1000可以整租，主要以CV为主，有过交流，也会帮忙安排ai相关工作，业务偏向医疗物资识别，待遇貌似不错，也注重实习生培养不知道选择哪个企业，主要是想为之后就业考虑，肯定还是想往互联网走，在长三角发展，但又怕选的实习方向不好难就业，目前其实是考虑往多模态大模型算法应用，agent开发或者ai产品经理方向走。虽然后面两个方向几乎没有进面试的，除了ai产品经理有一个。