大模型算法（实习生）

优缺点分析

角色解读

• 可向高级算法工程师或AI架构师方向发展，专注于多智能体系统
• 也可深入物流垂直领域，成为行业AI专家，负责更大规模的智能决策系统
• 未来有机会向技术管理岗位发展，带领Agent研发团队
• 使用AutoGen或LangGraph框架设计和实现多智能体系统，支持Agent间协作解决物流业务问题
• 结合物流数据（订单、GPS等）优化大模型在运输调度、仓储优化等场景的决策能力
• 参与系统架构设计与Agent推理链路优化，提升系统稳定性和可扩展性
• 扎实掌握大语言模型原理和多智能体框架（LangChain, AutoGen, LangGraph）
• 精通Python编程，具备优秀的算法与数据结构能力
• 对物流行业或供应链场景有基本了解，能快速将业务需求转化为技术方案

申请策略

• 面试时主动澄清实习生名义与实际工作经验要求的矛盾，展示自己对岗位的理解
• 了解顺丰物流业务线，准备1-2个Agent落地的思路场景
• 突出多智能体项目经验，如使用AutoGen或LangGraph完成的Agent协作案例
• 强调Python编程能力和算法竞赛或开源贡献
• 如有物流或供应链相关项目，重点描述业务价值和技术方案
• 提前学习LangGraph和AutoGen官方文档，动手搭建简单多Agent系统
• 补充物流基础知识，如运输调度、仓储优化基本概念

面试指南

• 针对架构问题：说明设计原则（模块化、可扩展）、协议（如消息队列）、容错机制
• 针对业务问题：先澄清问题，提出数据集成方案（如结构化数据+LLM），再描述反馈闭环
• 针对技术对比：列举各自优缺点，结合场景选择，展现思考深度
• 请描述你设计多Agent协作系统的经验，如何分配任务和通信？
• AutoGen和LangGraph的区别是什么？你在项目中如何选择？
• 如何将大模型与物流数据结合？举例说明
• 给定一个运输调度问题，如何设计Agent来优化？
• 你如何评估Agent输出的质量并反馈改进？