大模型算法工程师（垂域）

优缺点分析

角色解读

• 技术专家路线：深耕LLM与Agent方向，成为公司内垂域AI技术带头人
• 管理路线：从带领算法小组到负责更大规模的AI团队，晋升为AI部门负责人
• 业务影响路线：推动AI技术在物流供应链中的深度应用，成为AI+物流领域的行业专家
• 负责顺丰垂域大语言模型的技术能力建设与效果优化，包括模型后训练、调优等
• 基于Harness框架推进多智能体集群在自组织、自学习、自决策方向上的算法落地
• 指导并培养算法团队，提升团队在Agent方向的技术水平，推动技术沉淀
• 深入掌握大语言模型算法结构，具备百亿参数模型后训练实战经验
• 深刻理解Agent自主学习方法论，有主导或深度参与复杂业务场景Agent开发并取得量化成果的经验
• 熟悉Harness工程框架，具备良好的系统工程能力
• 扎实的数据分析能力，熟悉AB测试与Benchmark评测

申请策略

• 顺丰重视业务场景理解，面试中可结合物流行业特点（如时效、成本）阐述算法价值
• 提前了解顺丰在AI领域的布局（如丰语大模型），展现对公司的认可与热情
• 突出百亿参数大模型后训练项目经验，详细说明你的角色与技术贡献
• 重点展示Agent在复杂业务场景中的落地案例，附带可量化的业务成果（如效果提升百分比）
• 体现数据分析与AB测试能力，用具体指标说明如何驱动模型优化
• 若对Harness框架不熟悉，可提前学习相关工程框架（如LangGraph、AutoGen等），理解智能体模式
• 补充多智能体协同和自学习方向的论文或开源项目经验

面试指南

• STAR法则：针对项目经验问题，按情境(Situation)、任务(Task)、行动(Action)、结果(Result)组织回答，突出个人贡献和量化成果
• 对比与演进：对于技术理解类问题，先说明理论认知，再结合实践案例，最后提出优化思路
• 结构化思维：对于开放性问题（如AB测试设计），按目标、指标、实验设计、评估流程逐步展开
• 请详细描述你参与的一个百亿参数大模型后训练项目，包括技术方案、遇到的挑战及解决方法
• 谈谈你对Agent自主学习方法论的理解，并举例说明如何在复杂业务中实现自组织或自学习
• Harness框架与传统Agent开发框架的区别是什么？你在实践中如何优化智能体集群效果？
• 你如何评估大模型在垂域的应用效果？请设计一套AB测试或Benchmark方案
• 作为技术负责人，你如何平衡算法创新与业务落地的矛盾？