月之暗面

民企人工智能50 条招聘记录

🏢 企业简介

成立2023 年总部北京

月之暗面是一家专注于通用人工智能(AGI)领域的科技公司,总部位于北京,成立于2023年。公司致力于探索大模型技术的前沿,自主研发了面向C端与B端的智能助手产品,以长文本处理能力与深度推理表现受到行业关注。团队由来自顶尖科研机构与科技企业的工程师、科学家组成,核心业务覆盖模型研发、产品设计与用户运营,目前正处于技术迭代与商业化并行的快速成长阶段。在这里,产品、职能与运营人才将直接参与AGI产品从定义到落地的完整链路,与算法、工程团队紧密协作,共同影响下一代人机交互形态。对于希望投身前沿科技浪潮的应届生而言,这里提供务实的技术文化、扁平的组织协作和充足的成长空间。

📋 招聘信息(50 条)

2026-10-08 · 校招
AI Agent 产品实习生
2026-09-23 · 校招
Kimi 海外创意增长实习生
2026-09-09 · 26届秋招
算法
北京
2026-09-08 · 26届秋招
其他
北京
2026-09-08 · 26届秋招
管培生
北京
2026-09-08 · 26届秋招
国际化
北京
2026-09-08 · 26届秋招
市场
北京
2026-09-08 · 26届秋招
销售
北京
2026-09-08 · 26届秋招
职能
北京
2026-09-08 · 26届秋招
设计
北京
2026-09-08 · 26届秋招
运营
北京
2026-09-08 · 26届秋招
产品
北京
2026-09-08 · 26届秋招
研发
北京
2026-09-07 · 校招
产研HR实习生
2026-09-07 · 校招
增长工程实习生
2026-09-07 · 校招
数据分析实习生
2026-09-02 · 校招
月之暗面 Product Engineer Intern
北京
2026-08-27 · 校招
Global Business Intern
2026-08-26 · 校招
Kimi Eval Intern(3D方向)
2026-08-24 · 校招
HR实习生-业务招聘方向
2026-08-24 · 校招
销售运营实习生
2026-08-20 · 校招
小语种海外运营管培生
2026-08-17 · 校招
Agent评审专家实习生
2026-08-14 · 校招
【校招】LLM推理优化工程师
北京
2026-08-14 · 校招
【校招】RL Infra
北京
2026-08-14 · 校招
【校招】高性能计算工程师
上海
2026-08-14 · 校招
【校招】推理框架工程师
上海/北京
2026-08-14 · 校招
【校招】训练框架工程师
北京
2026-08-13 · 校招
增长团队管培生
北京
2026-08-11 · 校招
增长活动实习生
2026-07-20 · 27届秋招
Kimi Agent Eval 研究与产品实习生
上海/北京
2026-07-19 · 27届秋招
审计实习生
上海/北京
2026-07-19 · 27届秋招
HR实习生-业务招聘方向
上海/北京
2026-07-19 · 27届秋招
Sales Development Representative Intern
上海/北京
2026-07-19 · 27届秋招
小语种产品运营实习生
上海/北京
2026-07-09 · 校招
HR管培生
2026-07-07 · 校招
审计实习生
2026-05-30 · 校招
AI 产品实习生
2026-05-14 · 校招
Growth Lab Intern
🗓️ 已截止校招信息(2 条 · 仅供参考)▸ 点击展开

📊 招聘数据概览

本档案收录 月之暗面 在招校招岗位 50 条,另有已截止历史招聘记录 2 条。工作地点覆盖 北京、上海;招聘批次含 校招、26届秋招、27届秋招;面向 2026、2027 届毕业生;学历要求以 本科、硕士 为主;最近一次信息更新于 2026-10-08。

📍 工作城市
北京 · 25 条上海 · 7 条
🎓 学历要求
本科 · 12 条硕士 · 2 条
🗓️ 招聘批次
校招 · 34 条26届秋招 · 11 条27届秋招 · 5 条
👥 面向届别
2026 · 11 条2027 · 5 条
数据由校招宝在招岗位库实时聚合(统计时间 2026-10-09),全部可在本站岗位详情页核实。

📝 笔面经精华(5 篇)

✍️ 笔面试经验 5 篇
面经AI AgentLLM面试上下文管理记忆机制ReActAgent开发RAG
🔑 核心要点
  • Agent项目用ReAct循环+工具调用+RAG+长短记忆,受状态机约束
  • 可靠性来自Harness:工具反馈、状态约束、验证器、预算、回退、人工复核
  • 短期记忆=当前任务工作状态,分固定约束/工作集/历史压缩三层
  • 上下文预算需动态估算,含System、工具schema、历史、记忆、输出预留
  • 总结触发由预算风险+任务语义共同决定,非固定轮数
  • 长上下文优化本质是把对话历史升级为可管理的任务状态
⚠️ 注意事项
  • Observation只提供外部证据,不能自动保证长线任务可靠
  • KV Cache是推理加速状态,不等于Agent Memory
  • 不要每轮总结,会产生摘要的摘要导致信息丢失
  • 不要写死第10轮总结或固定70%窗口,需按真实分布校准
  • 别只背Agent概念,工程场景追问会暴露理解深度
💡 实用建议
  • 面试讲项目落到个人贡献、评测集构建和真实指标,无指标勿编造
  • 用结构化字段做摘要:goal、constraints、completed_steps、artifacts等
  • 原始对话和工具日志存外部,通过事件ID按需取回
  • 总结前后做一致性检查,高风险字段规则化提取不依赖LLM
  • 用具体项目问题说明选Agent方向,别只说火
数据来源:牛客网用户匿名分享,经校招宝提炼聚合展示,原始内容不提供。