腾讯
实习基于AI大模型的数据库自学习优化器方向研发和探索
北京 · 实习 · 博士
长期有效
任职要求
- 1. 包括但不限于计算机、电子信息、人工智能、软件工程等专业的博士与优秀硕士；
- 2. 掌握C/C++/Python/Golang等编程语言，有良好的算法和数据结构基础；
- 3.有SIGMOD、VLDB、ICDE等数据库相关顶会论文者优先。
- 此课题同时招聘应届实习生和低年级实习生。
岗位描述
【岗位职责】
课题背景：
查询优化器是数据库管理系统的“大脑”，其决策质量直接决定了数据库的性能与资源效率。随着数据规模爆炸性增长、查询逻辑日趋复杂及云原生架构普及，传统优化器在查询改写、代价估计、适应数据变化和处理复杂查询等方面的局限性日益凸显。
课题挑战：
- 1. 模型持续演进问题：探究在动态负载下维持优化效果的模型演进方法，应对长时间跨度场景下中可能出现的数据漂移等问题；
- 2. 混合负载下的查询过滤机制：探究混合负载下的查询过滤机制，在降低推理开销的同时保证模型的充分训练和对负载变化的充分感知；
- 3. 模型泛化性增强技术：探究模型的泛化性问题，探索不同负载类型之间实现模型迁移与预训练的有效途径，降低模型训练成本并提高模型在多样化负载下的适应性；
- 4. LLM赋能小模型：利用LLM积累的查询优化经验补齐小模型短板，结合联邦学习、持续学习、RAG等技术，实现更精准的计划选择。
具体工作：
你将参与到腾讯数据库SQL引擎开发，探索并构建一套面向未来的查询优化框架，聚焦关键瓶颈问题与可工程落地的实现路径，形成可落地方案，同时输出高质量论文与专利等成果。
【任职要求】
- 1. 包括但不限于计算机、电子信息、人工智能、软件工程等专业的博士与优秀硕士；
- 2. 掌握C/C++/Python/Golang等编程语言，有良好的算法和数据结构基础；
- 3.有SIGMOD、VLDB、ICDE等数据库相关顶会论文者优先。
【加分项】
此课题同时招聘应届实习生和低年级实习生。
【技术方向】
AI基础设施、系统与安全
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。