大模型算法工程师（agent开发）

优缺点分析

角色解读

• 技术专家路线：深耕多智能体系统和LLM应用，成为物流AI领域的架构师或技术负责人
• 管理路线：带领Agent研发团队，向技术经理或总监发展
• 业务融合路线：深入物流业务，转向产品总监或解决方案架构师，推动AI商业化
• 基于AutoGen/LangGraph框架设计和实现多智能体系统，支持Agent间协作解决物流场景问题
• 优化多智能体系统的架构、推理链路和交互效率，提升系统稳定性和可扩展性
• 将大语言模型与物流业务数据（订单、GPS轨迹等）结合，提升智能体的业务决策能力，并参与奖励机制设计
• 与产品、算法、业务团队协作，推动智能Agent在运输调度、仓储优化等场景落地
• 扎实的大语言模型（LLM）原理与应用基础，熟悉LangChain、LangGraph、AutoGen等框架
• 多智能体系统设计和Agent-to-Agent协作经验
• 熟练使用Python，具备优秀的算法与数据结构能力
• 了解物流行业知识（运输、仓储、供应链），能将业务需求转化为技术方案

申请策略

• 在求职信中表达对物流AI场景的兴趣，结合自身经验说明如何赋能业务
• 提前研究顺丰的数字化战略，面试时能提出有针对性的技术方案更好
• 突出LLM相关项目经验，尤其是使用LangChain、AutoGen等框架开发Agent系统的经历
• 强调多智能体协作、任务分解、交互协议设计等具体工作
• 展示Python编程能力，可用GitHub链接或代码片段证明
• 如果有物流或供应链相关背景，务必突出，如运输调度、仓储优化等项目
• 系统学习LangGraph、AutoGen等框架的官方文档和最佳实践
• 了解物流行业基础知识，如运输调度模型、仓储管理WMS系统

面试指南

• 针对架构设计题：先拆解需求，明确Agent角色（如调度Agent、路径规划Agent），定义消息协议，再思考冲突解决和异常处理
• 针对准确性题：从数据清洗、Prompt工程、反馈回路（RLHF或规则校验）等多个角度回答
• 请描述你设计过一个多智能体系统，如何处理Agent之间的通信与协作？
• 在LLM应用中，如何保证Agent输出的准确性和业务合规性？
• 如果让你用AutoGen实现一个运输调度Agent，你会如何设计？
• 你如何将物流领域知识（如订单优先级、车辆调度约束）融入Agent决策？
• 你的项目遇到的最大技术挑战是什么？如何解决的？
• 复习LangGraph和AutoGen的文档，能画出架构图并解释关键概念