6
0会议开始时，导师首先了解学生的背景情况，学生表明自己为爱丁堡大学人工智能硕士，目前处于秋招阶段，已投递20多家公司并收到两个中小厂的算法岗位面试邀请，意向岗位为大模型开发或应用相关的算法工程师。导师确认学生的技术背景与岗位匹配度较高，并询问其准备情况，学生表示更关注行业动态而非模拟面试。
导师详细分析了国内算法岗位的市场情况，区分了大厂、中厂和小厂的特点及发展路径：大厂如阿里、腾讯等提供标准化培养体系但分工较细，中小厂则需承担端到端业务利于全面成长；建议职业路径先从大厂积累经验再转向中小厂。薪资方面，顶尖人才计划可达年薪60-70万，普通算法岗位年薪通常在30-50万之间。此外讨论了外企（如微软、Google）的算法岗位需求较高且竞争激烈，多为博士岗位，校招更偏向开发岗，并提及外企近期在亚太区的裁员风险及工作平衡优势。
导师系统介绍了算法岗位的面试流程：通过简历筛选后需完成笔试，随后进行三轮技术面试，包括自我介绍、项目深挖、代码手写题及基础八股文考察。代码题难度因公司而异（如字节侧重Hard题），建议刷LeetCode 200-300题；技术问题涵盖Transformer架构、知识图谱算法等基础原理，三面可能涉及行业趋势和职业规划。强调需熟悉简历项目细节，并对前沿技术（如RAG、Agent）保持关注以提升面试表现。
导师以学生实习项目为例指导如何结构化表达：需用STAR法则清晰说明项目背景（如阿里巴巴问答系统）、技术方法（Text-to-SQL、零样本学习）、解决的核心问题（实体消歧、关系抽取）及实际效果。针对学生项目中的难点（如别名抽取、模型幻觉），建议补充技术细节（如RNN/LSTM区别、归一化原理）并深入理解所用模型（如KeyBERT、BERT）的底层机制，同时需量化项目指标（如标注效率、幻觉率）。
导师针对学生项目中的技术实现提出具体问题，包括零样本学习的应用场景、稀疏检索优于混合检索的原因、RF算法融合排序机制以及模型选型依据（如OpenChat 3.5）。指出学生需加强基础算法（如随机森林、逻辑回归）和常见问题（梯度爆炸解决方案）的理解，并建议系统梳理技术栈，建立知识体系以应对深度提问。
导师总结学生需优先完善项目表述的逻辑性，确保技术细节准确且深入（如归一化与标准化区别），并对简历所列模型和算法全面复习。建议通过模拟面试强化表达，跟踪行业前沿（如RAG、Agent应用），并明确算法岗位面试以技术考察为主，一般不涉及前后端知识。约定后续课程聚焦面试复盘与查漏补缺。
