大模型算法工程师-决策大模型方向（博士后）

优缺点分析

角色解读

• 技术路径：可以从算法研究员成长为领域专家，或转向AI架构师、技术负责人
• 业务路径：深入理解物流供应链业务后，可向智慧物流产品经理或解决方案专家发展
• 行业路径：在物流巨头积累的核心AI决策经验，为进入其他复杂决策领域（如金融、制造）奠定基础
• 你将负责物流供应链决策大模型的设计与研发，这是岗位的核心产出
• 具体研究内容包括应用深度学习、强化学习技术解决需求预测、路径规划等物流决策问题
• 探索大语言模型在辅助建模和启发式算子设计方面的创新应用，如仓网规划
• 综合多种技术，攻克规模泛化、分布泛化等研究难题，构建智慧供应链的决策大脑
• 深厚的机器学习、深度学习、强化学习或运筹优化理论基础是必备的学术根基
• 需要扎实的Python/C++编程能力，并熟悉PyTorch/TensorFlow等主流AI框架
• 掌握Gurobi、COPT等运筹优化求解器的使用，能将AI与OR技术有效结合
• 具备在NeurIPS、ICML等顶级会议发表论文的科研能力是重要的加分项

申请策略

• 深入了解顺丰的业务布局和面临的物流挑战，在申请材料或面试中展现你对业务的理解
• 准备清晰阐述你的研究计划，如何将你的学术专长应用于智慧供应链的具体问题
• 重点突出博士期间的研究方向，特别是与机器学习、强化学习、运筹优化相关的课题
• 详细描述你所掌握的编程技能（Python/C++）和框架工具（PyTorch/TensorFlow/Gurobi）
• 将在顶级会议或期刊（NeurIPS, ICML等）发表的论文作为核心成果单独列出并简要说明贡献
• 如有相关项目经验（如涉及预测、优化、决策），应清晰阐述你的角色、所用技术和项目成果
• 如果对运筹优化相对陌生，可提前学习经典优化算法（如线性/整数规划）并熟悉Gurobi等求解器API
• 深入了解大语言模型在决策、规划、代码生成等方面的最新应用研究，思考其与物流场景的结合点

面试指南

• 对于技术问题，采用“问题定义 -> 技术选型与方案设计 -> 实施细节 -> 结果评估与反思”的结构来回答
• 对于研究经历类问题，重点突出你的核心贡献、遇到的挑战以及你如何克服它们
• 对于场景假设题，先厘清业务目标和约束条件，再提出多层次的技术方案，并讨论其优劣
• 请详细介绍你博士期间最相关的一项研究，并说明其创新点和应用潜力
• 你如何理解“决策大模型”？在物流场景中，你认为大语言模型可以发挥什么独特作用？
• 请描述一个你使用强化学习或运筹优化技术解决实际问题的项目经历
• 如果让你设计一个用于快递路径规划的模型，你会考虑哪些因素和技术路线？
• 你如何看待学术界研究与工业界落地之间的差异？你如何适应这种差异？