企业招聘大模型人才，如何区分预训练、后训练与应用开发经历？

企业区分大模型人才的预训练、后训练与应用开发经历，应先问清候选人改动了什么、为什么这样改，以及如何验证结果。预训练主要涉及模型基础能力的形成，后训练侧重继续改善模型的特定能力和行为，应用开发则负责把模型接入实际业务。三类工作可以出现在同一个项目中，招聘时需要分别核实个人承担的任务。

例如，同样是参与智能客服项目，有人负责训练行业模型，有人利用问答样本改善模型回答，还有人负责知识库、业务接口和线上服务。项目名称相同，能够证明的能力却不同。企业只有把这些经历拆开，才能判断候选人是否适合当前岗位。

一、先分清三类工作的目标与交付成果

预训练通常让模型从大量文本或其他类型的数据中学习，形成语言、知识和模式识别等基础能力。以语言模型为例，常见训练任务是根据前面的内容预测后续内容。

后训练是在已有基础模型上继续开展训练，使模型更好地完成指令、符合偏好，或提高推理和特定任务表现。应用开发则围绕业务构建系统，包括组织输入、检索资料、调用工具、处理结果，以及保障服务正常运行。

DeepSeek-V3技术报告将预训练与之后的监督微调、强化学习分阶段描述。这类资料能够帮助企业理解，一个完整模型项目包含不同工作，参与项目并不等于承担了所有阶段。来源：《DeepSeek-V3 Technical Report》

招聘时，可以先请候选人画出项目过程，再标出自己负责的部分。这样比直接询问“是否熟悉大模型全流程”更容易获得可核实的信息。

二、预训练经历，要问到数据、训练决策和能力变化

核实预训练经历，可以从模型起点问起。候选人是从随机初始化的模型开始训练，还是在已有模型上继续训练？训练使用什么数据，希望增强什么能力，实际负责哪些决策？

这一区分影响企业如何理解其经验。在已有模型上继续使用领域语料训练，可以积累继续预训练经验，但与从头开展大规模基础模型训练，在任务范围和资源要求上存在差异。

企业招聘资料也在强调这些具体内容。百度官方发布的大语言基座模型训练岗位，涉及数据清洗与配比、训练目标与参数设置、稳定性问题定位，以及模型能力评测。来源：百度官方招聘网站

面试时，可以围绕一次实际实验追问。

• 数据来自哪里，怎样去除重复、低质量内容，以及与测试题目重叠的内容？

• 为什么采用当时的数据配比和训练设置，候选人亲自调整过哪些部分？

• 如果训练不稳定，候选人怎样判断问题来自数据、计算环境还是训练方案？

• 训练后哪些能力改善了，哪些能力下降了，依据是什么？

例如，候选人说自己“解决了训练不稳定问题”，还需要说明发现了什么异常、排查过哪些原因，以及调整后如何确认训练恢复。只负责启动任务、观察运行状态，与独立诊断并修改方案，对应的能力不同。

如果候选人主要承担训练框架或集群支持，也应如实记录为相关工程经验。企业可以据此评估基础设施岗位，不必把所有支撑训练的工作都归入算法研究。

三、后训练经历，要核实训练方法与评估过程

后训练包含多种方法。监督微调通常使用“输入与期望回答”样本训练模型；偏好优化使用回答之间的优劣信息；强化学习则根据奖励信号调整模型行为。招聘时，应了解候选人实际采用过哪种方法，以及为什么采用。

Tulu 3研究公开了监督微调、直接偏好优化和基于可验证奖励的强化学习等训练方法，同时强调数据整理、评测和测试数据污染处理。这说明后训练经历需要结合数据、训练过程与评估一起判断。来源：《Tulu 3: Pushing Frontiers in Open Language Model Post-Training》

例如，一位候选人利用企业客服问答样本训练模型，面试官可以询问，样本怎样筛选，错误回答怎样处理，测试问题是否独立于训练样本，以及新版本是否影响原有能力。

如果候选人声称“准确率提高”，还应解释准确率如何计算。回答格式正确、事实正确和业务任务完成，可能是三种不同的指标。测试集大小、题目构成和判分方式不同，结果也不能直接比较。

对于强化学习经历，应进一步问清奖励来自哪里，如何判断模型完成了任务，以及是否出现模型获得较高奖励、实际表现却没有改善的情况。候选人能够解释奖励设计中的问题，比仅列出算法名称更能说明实践深度。

四、应用开发经历，要看系统怎样处理真实任务

大模型应用开发，需要把模型能力与业务流程结合起来。一个可上线的系统，通常还要处理数据接入、访问权限、业务接口、异常恢复和效果监控等问题。

检索增强生成，通常简称RAG，是一种先获取相关资料、再将资料提供给模型生成回答的做法。LangChain官方文档介绍了文档加载、切分、检索和生成等组成部分，也说明了将已有知识库接入模型的方法。来源：LangChain官方检索文档

企业评估RAG项目经历时，应了解候选人怎样判断错误发生在哪一步。知识库缺少资料、检索没有找到资料，以及模型拿到资料后仍回答错误，需要不同的处理方法。

对于智能体应用，还可以询问模型如何调用业务工具，执行失败后如何处理，哪些操作需要人工确认。例如，订单查询与订单退款的权限要求不同，候选人是否为这些操作设置了合适的执行条件，能够体现其业务系统设计能力。

应用开发的成果也应放在实际使用条件下阅读。演示环境中可以完成任务，进入多用户、持续运行的环境后，还需要检查响应时间、调用成本、任务成功情况和故障处理。企业应根据岗位要求，分别核实原型开发与生产系统维护经验。

五、遇到“微调”“中训练”和“全流程”，需要继续追问

简历中的技术名称，有时描述训练方法，有时描述项目阶段，不能只凭一个词确定经历类型。

LoRA就是一个例子。它是一种减少可训练参数数量的方法，通常冻结原有权重，通过额外的可训练矩阵实现调整。是否使用LoRA，不能单独说明候选人完成了什么训练任务，还需要查看训练目标和数据。来源：Hugging Face官方LoRA文档

继续预训练、中训练等表述，也需要放回具体项目理解。如果候选人在基础模型上使用大量领域文本继续训练，主要目标是增强领域能力，应了解其继续预训练工作；如果使用指令与回答样本改善任务表现，则需要进一步评估其监督微调经历。

还有一些应用项目同时包含训练。例如，候选人既开发了知识库系统，也训练过检索模型或生成模型。这时应分别记录系统开发、数据构建和模型训练的贡献，避免把整段经历归成单一类别。

面对“负责大模型全流程”的表述，可以要求候选人逐项说明自己作过什么决定、交付过什么成果，以及哪些部分由其他团队完成。企业据此判断他具备独立负责能力，还是主要承担协作任务。

六、把经历与岗位任务对应，再决定招聘标准

企业招聘大模型人才，应先写清希望新员工完成的工作，再确定必要经历。

如果企业需要构建基础模型，或者持续开展领域预训练，就应重点核实数据策略、训练方案、稳定性和模型评测经验。如果已有基础模型需要改善特定任务表现，应重点评估后训练能力。如果当前任务是把模型接入客服、办公或业务系统，则应重点核实应用架构、系统集成、评估和上线经验。

可以用一个假设的企业知识助手项目说明这种区别。企业希望员工查询最新制度，并看到对应出处，首先需要评估资料接入、检索、权限和引用功能；如果模型经常不按要求输出结构化结果，可以再判断是否需要通过后训练改善；如果现有模型缺少较广泛的领域基础能力，则需要结合数据、预算和替代方案，进一步评估继续预训练的必要性。

因此，招聘需求不宜只写“熟悉预训练、后训练、RAG和智能体”。企业应写出入职后要交付的系统或模型、现有资源、需要解决的问题，以及评价结果的方法。候选人比较才有共同依据。

七、大模型人才招聘常见问答

做过模型微调，就能算后训练专家吗？

需要看任务范围和独立程度。完成一次训练，可以说明接触过相关流程；如果岗位要求独立负责后训练，还需要核实数据构建、方法选择、实验分析、能力退化排查和效果评估等经历。

只做过应用开发的人，可以转向后训练吗？

可以评估，但需要补充训练能力的证据。熟悉业务错误、评测和数据整理，有助于理解后训练任务；企业仍应通过实验讨论、代码评估或适当的实践任务，检查候选人能否完成训练并解释结果。

怎样核实候选人是否真正参与过模型训练？

可以围绕一个项目，连续询问模型起点、数据处理、训练设置、遇到的问题、本人调整和最终评测，并请其使用允许展示的脱敏材料说明。前后信息能否对应，有助于技术面试官判断经历的完整性。

招聘负责人需要亲自判断所有技术细节吗？

招聘人员可以先核实职责范围、项目条件、个人贡献和成果口径，再把未确定的问题交给技术面试官。技术团队负责评估方法、代码和问题处理能力，双方使用同一份岗位标准记录结论。

八、让招聘判断有具体依据

一份有助于录用决策的候选人报告，应说明他在哪个模型或系统上工作、负责哪一部分、解决过什么问题，以及结果如何验证。企业可以据此区分经历类型，再判断工作深度是否达到岗位要求。

优必猎提供中高端人才寻访服务。企业在沟通大模型人才招聘需求时，可以先明确岗位侧重预训练、后训练还是应用开发，并提供阶段任务、团队分工与评价标准，以便确定寻访方向和面试重点。

【资料来源】

1. DeepSeek-AI：《DeepSeek-V3 Technical Report》，2024年首次发布，2025年修订。

2. Nathan Lambert等：《Tulu 3: Pushing Frontiers in Open Language Model Post-Training》，2024年首次发布，2025年修订。

3. 百度官方招聘网站：《大语言基座模型训练研究员／工程师》，页面标注日期为2026年7月21日。

4. LangChain：《Retrieval》官方文档，查阅日期为2026年11月2日。

5. Hugging Face：《LoRA》官方文档，查阅日期为2026年11月2日。