算法工程师（视觉算法/机器学习算法/大模型算法/）

优缺点分析

角色解读

• 在低空经济这一新兴赛道深耕，成为视觉感知、路径规划或大模型应用领域的专家
• 依托中国电信的平台，可向技术管理岗位发展，带领团队负责重大研发项目
• 有机会参与行业标准制定与前沿技术研究，向技术专家或架构师方向发展
• 负责飞行器机载视觉感知算法研发，包括目标检测、跟踪、障碍物识别、Visual SLAM与多传感器融合感知
• 研发低空航路规划与调度算法，涉及多机协同路径规划、动态避障、空域冲突检测与风险建模
• 负责低空行业大模型应用研发，包括基于LLM的航线智能规划、RAG问答系统、智能体（Agent）与多模态大模型应用
• 跟踪低空经济与AI前沿进展，复现并改进SOTA算法，推动算法从仿真验证到实机部署落地
• 扎实的机器学习与深度学习理论基础，熟悉CNN、Transformer等主流网络结构
• 熟练掌握Python，熟悉PyTorch或TensorFlow等深度学习框架，熟悉C++者优先
• 具备完整的算法项目实践经历，能够独立完成从问题建模到模型调优
• 在视觉感知、机器学习或大模型方向有深入经验，了解SLAM、路径规划、强化学习、RAG、Agent等技术

申请策略

• 在简历中明确标注自己擅长的方向（视觉/机器学习/大模型），并针对性地描述相关项目
• 了解中国电信在低空经济领域的布局和项目，在面试中展示对业务的理解和兴趣
• 突出在视觉感知、路径规划或大模型方向的项目经验，尤其是从问题定义到模型调优的完整过程
• 强调使用PyTorch/TensorFlow等框架的实践经验，以及C++等编程能力
• 展示学术成果，如论文发表、竞赛获奖或开源贡献，体现技术深度和影响力
• 如果参与过无人机、机器人或自动驾驶相关项目，务必重点描述，与岗位高度相关
• 系统复习CNN、Transformer等网络结构，并深入理解目标检测、SLAM等视觉算法原理
• 学习路径规划（A*/RRT）、强化学习、多智能体协同等算法，并尝试用Python实现

面试指南

• 回答项目经验时，采用STAR法则（情境-任务-行动-结果），突出个人贡献和量化成果
• 技术问题回答时，先阐述基本原理，再结合项目实践说明应用和优化过程，体现深度思考
• 对于开放性问题，展示对低空经济场景的理解，并结合自身技术优势提出解决方案
• 请详细介绍一下你最有代表性的算法项目，包括问题定义、技术选型和最终效果
• 在目标检测任务中，如何平衡检测精度与推理速度？请举例说明
• 谈谈你对低空经济中多机协同路径规划的理解，以及可能遇到的挑战
• 你如何理解RAG技术？在低空行业应用中，RAG有哪些潜在应用场景？
• 如何将仿真环境中的算法迁移到实机部署？需要考虑哪些关键因素？