阿里巴巴
菜鸟驿站-大模型算法工程师-驿站算法部
菜鸟驿站-大模型算法工程师-驿站算法部
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公NLP工程
NLP工程
Dpo
Llm
Lora
Nlp
Pytorch
Rag
Sft
值不值得投
78综合评分
综合评分 78
核心业务大模型算法岗，技术栈前沿且成长空间大，薪资竞争力强，但WLB情况未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4.8万
比NLP工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3030 个在招 · 其中NLP工程 28 个
市场机会
选择适中
杭州 · NLP工程 · 31 个在招
职位详情
关于这个职位
该职位主要负责菜鸟驿站大模型算法的研发与优化，包括RAG系统效果提升、智能数据查询Agent设计以及LLM前沿技术的探索与落地
你需要与工程团队协作，通过构建评估闭环和数据驱动迭代，持续提升知识问答准确率并实现模型上线
最低要求
● 硕士及以上，计算机、人工智能、NLP 等相关专业
● 3 年及以上 NLP/LLM 算法研发经验（优秀应届博士可放宽）
● 熟练掌握 Python + PyTorch，能独立完成模型训练、评估、部署
● 有意图识别 / NER / 信息抽取经验，了解从 BERT 到 LLM 的技术演进
● 深入理解 Transformer、预训练-微调范式、Prompt Engineering，能分析模型瓶颈并设计改进方案
● 有 LLM 微调经验（SFT/DPO/LoRA），了解高质量数据构造与增强方法
● 能独立定义问题、设计实验、推动落地，不依赖他人拆解任务
工作职责
负责 RAG 系统算法效果提升：知识图谱与文档质量、检索策略与效果、生成质量与幻觉抑制，建立自动化评测体系（RAG-Benchmark），持续提升知识问答准确率
攻克智能数据查询难题：设计指标识别 Agent，支持多指标解析、口语化表达、业务对象泛化
构建评估驱动的迭代闭环：设计离线评测方案（准确率/召回率/幻觉率），建立 badcase 自动挖掘与归因机制，用数据驱动每次迭代
探索并落地前沿 LLM 技术：Multi-Agent 数据生成、APO、skill自进化等
与工程团队协作完成上线，平衡效果、RT与成本
AI 洞察
优缺点分析
优点
- 处于大模型与Agent技术落地的核心前沿，能积累极具市场竞争力的RAG与LLM微调实战经验
- 依托丰富的业务场景与海量数据，算法效果更容易得到验证与规模化应用
- 团队技术氛围浓厚，有机会探索Multi-Agent、APO等前沿技术，保持技术敏锐度
- 业务对模型上线的RT（响应时间）与成本有严格要求，需要在效果与工程指标间寻找平衡
- 适合具备扎实NLP基础、对大模型前沿技术有热情，且具备较强问题定义与独立推动落地能力的算法工程师
缺点 / 挑战
- 大模型幻觉抑制与复杂业务场景下的指标识别具有较高技术难度，需要不断试错与调优
角色解读
- 纵向可成长为大模型算法专家或架构师，主导更复杂的Agent系统与多模态大模型落地
- 横向可向AI业务负责人或技术管理方向发展，带领团队解决更具挑战性的业务智能化问题
- 负责菜鸟驿站大模型相关算法的研发，重点优化RAG系统的检索与生成效果，抑制幻觉
- 设计并实现智能数据查询Agent，解决多指标解析与口语化表达等复杂业务场景难题
- 构建自动化评测体系与离线评估方案，通过数据驱动的方式持续迭代模型效果并推动工程落地
- 扎实的NLP与LLM算法基础，深入理解Transformer架构及预训练-微调范式
- 熟练掌握Python与PyTorch，具备独立完成模型训练、评估与部署的全流程能力
- 拥有丰富的LLM微调经验（如SFT/DPO/LoRA）及RAG系统优化经验，了解高质量数据构造方法
申请策略
- 提前了解菜鸟驿站的业务场景（如物流、仓储、末端配送），思考大模型如何赋能这些具体业务
- 重点突出在RAG系统优化、LLM微调（SFT/DPO/LoRA）及Agent设计方面的具体项目经验与量化成果
- 展示构建自动化评测体系、Badcase归因分析及数据驱动迭代闭环的实际案例
- 强调独立定义问题、设计实验并推动模型工程化上线的全流程能力
- 深入学习Multi-Agent协同、APO（自动提示优化）等前沿LLM技术，了解最新的开源大模型生态
- 提升对模型推理加速、量化部署及成本优化的工程理解，以应对实际业务中的RT与成本限制
面试指南
- 采用STAR法则（情境、任务、行动、结果），重点突出“行动”中的技术选型、难点攻克及“结果”中的量化指标提升
- 对于权衡类问题，采用“明确目标-分析瓶颈-提出方案-验证效果”的逻辑框架，展现系统性思维
- 在RAG系统中，你是如何设计检索策略并有效抑制生成幻觉的？
- 请分享一个你主导的LLM微调项目，具体使用了哪种微调方法（SFT/DPO/LoRA），效果如何评估？
- 针对智能数据查询中的多指标解析和口语化表达，你的Agent设计思路是什么？
- 当模型效果与线上RT/成本发生冲突时，你通常如何权衡和解决？
- 复习Transformer底层原理、主流LLM微调技术细节及RAG系统的常见优化手段（如重排、Query改写等）
- 准备1-2个自己主导的、具有技术深度的项目案例，能够清晰阐述问题定义、实验设计与最终收益
职位点评
薪资福利85
成长发展90
工作生活50
使命价值75
薪资福利
85较高
作为大模型算法核心岗位，薪资水平在市场中具备较强竞争力，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：3.5千–6万/月）
成长发展
90较高
岗位涉及RAG、Agent、LLM微调等前沿技术，技术栈极具前瞻性，且要求探索Multi-Agent等新技术，成长空间大。
技术前沿前沿/新兴技术
技术栈RAG、LLM、Agent、Python、PyTorch、NLP、Transformer、SFT、DPO、LoRA、Prompt Engineering、Multi-Agent、APO
成长机会探索并落地前沿 LLM 技术
业务类型ambiguous
工作生活
50较低
JD未提及工作模式与WLB相关信息，生活化动机满足程度无法明确判断，需在实际面试中进一步了解。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
大模型技术属于当前AI高速发展赛道，岗位致力于提升知识问答与数据查询的智能化水平，具有一定的技术使命感。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs