大模型算法工程师-LLM方向（顺丰科技）

优缺点分析

角色解读

• 技术专家路径：深耕大模型算法，成为公司内该领域的核心技术骨干或架构师
• 业务赋能路径：深入理解物流行业，成为既懂技术又懂业务的复合型人才，向AI产品经理或技术管理岗位发展
• 行业拓展路径：积累的LLM落地经验在AI应用领域具有高度通用性，未来可向互联网、金融、教育等多个高价值行业拓展
• 负责将大模型技术应用于顺丰的客服、销售、运营等具体业务场景，实现AI能力的产品化落地
• 需要完成大模型的预训练、指令微调（SFT）、基于人类反馈的强化学习（RLHF）等全流程工作，并解决训练中的技术难题
• 需要持续跟踪大模型领域的前沿技术，并将通用能力沉淀为标准化产品或解决方案，赋能集团各业务线
• 扎实的编程能力（Python为主）和算法基础，熟悉PyTorch/TensorFlow等主流深度学习框架
• 深入理解大模型（如Qwen、Llama、GPT）的原理、架构及训练流程（Pre-train、Fine-tuning、RLHF）
• 具备将AI技术应用于实际业务并产生价值（提效、创收）的项目经验或潜力，有强烈的好奇心和快速学习能力

申请策略

• 提前了解顺丰科技在智慧物流方面的布局和已发布的AI产品，在面试中展现你对公司业务的兴趣和思考
• 准备好1-2个能体现你解决问题能力、技术热情和学习能力的深度项目案例，用于应对行为面和技术面
• 重点突出与大模型、NLP相关的课程设计、科研项目或实习经历，详细描述技术细节和个人贡献
• 展示扎实的编程和算法基础，例如LeetCode刷题记录、开源项目贡献或相关竞赛奖项
• 如果有AI项目落地经验，务必量化其产生的业务价值（如效率提升百分比、成本节约金额等）
• 深入理解1-2个主流开源大模型（如Llama、Qwen）的源码和论文，并能复现简单的训练或微调流程
• 通过Kaggle比赛或开源项目，积累完整的机器学习/NLP项目实践经验，熟悉数据处理到模型部署的全流程
• 补充对物流或供应链行业业务知识的了解，思考AI技术可能的应用点

面试指南

• 对于项目类问题，采用STAR法则（情境、任务、行动、结果）清晰阐述，重点突出技术细节和个人思考
• 对于技术原理问题，从问题背景、核心思想、具体实现、优缺点等层次进行系统化回答，避免碎片化知识
• 对于场景设计问题，先理解业务需求，再拆解技术模块，最后给出可行的技术选型和实现路径，体现技术为业务服务的思维
• 请详细介绍一个你参与过的与大模型或NLP相关的项目，你在其中承担的角色、遇到的技术挑战及解决方案
• 请解释Transformer架构的核心思想，以及它在LLM中的作用
• 什么是RLHF？它在LLM训练流程中起到什么作用？可能会遇到什么问题？
• 如果让你设计一个用于快递客服的智能问答模型，你会考虑哪些因素和技术方案？
• 你如何保持对AI领域最新技术的跟踪和学习？最近关注了哪些论文或技术进展？