算法工程师（供应链预测方向）-国际电商

优缺点分析

角色解读

• 纵向可深耕大模型与供应链算法领域，成长为该领域的资深算法专家或首席科学家
• 横向可拓展至更广泛的AI业务场景，或转型为算法团队负责人，带领团队攻克复杂业务难题
• 负责国际电商供应链核心场景的算法研发，利用大模型技术打造销量预测、备货、产能及库存调拨等智能决策方案
• 将大模型前沿技术（如SFT、RL、Agent）落地到实际业务中，解决复杂的供应链优化问题
• 联动业务团队，持续迭代算法模型，提升供应链运营效率与人效
• 扎实的机器学习基础与丰富的业务实战算法经验，精通大模型工业界落地
• 熟练掌握Python、PyTorch、TensorFlow等深度学习框架，熟悉LLaMA Factory等训练工具
• 具备大模型微调与强化学习经验（SFT、RL、Agent），能将前沿技术转化为业务价值

申请策略

• 提前了解字节跳动国际电商（如TikTok Shop）的供应链业务模式，思考大模型在其中的潜在应用场景
• 重点突出大模型（LLM）在工业界的实际落地项目，特别是涉及SFT、RL或Agent智能体的经验
• 详细阐述在供应链、预测、运筹优化或相关时序数据分析领域的算法实战经验及业务收益
• 展示对LLaMA Factory等主流训练框架的熟练使用，以及解决复杂工程问题的能力
• 深入学习强化学习（RL）在决策优化中的应用，以及Agent智能体的最新架构设计
• 补充供应链管理与运筹学基础知识，理解销量预测、库存调拨等业务逻辑，提升业务Sense

面试指南

• STAR法则：针对项目经验题，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化回答，突出个人贡献与业务收益
• 技术深度+业务理解：针对技术题，先阐述技术原理，再结合具体业务场景说明技术选型的考量及落地效果
• 请详细介绍一个你主导的大模型落地项目，遇到了哪些技术难点，是如何解决的？
• 在供应链预测场景中，大模型相比传统机器学习模型有哪些优势和局限性？如何结合使用？
• 请解释SFT和RL在大模型训练中的具体作用，以及你在实际项目中是如何调优的？
• 如果业务方对算法的预测准确率不满意，你会如何排查问题并优化模型？
• 复习大模型微调（SFT/RLHF）及Agent设计的核心论文与开源框架（如LLaMA Factory）的底层逻辑
• 准备1-2个供应链或时序预测相关的经典算法方案，并能清晰对比传统方法与基于大模型方法的优劣