履约技术-AutoResearch 策略算法工程师

优缺点分析

角色解读

• 技术深度方向：在运筹优化、因果推断或大模型Agent等方向持续深耕，成为领域专家，参与顶会论文发表，提升技术影响力
• 业务方向：深入理解即时配送业务全链路，逐步从单一算法负责人成长为业务策略负责人，主导复杂的业务优化项目
• 管理方向：随着团队规模扩大，有机会从IC走向团队管理岗位，带团队负责核心策略方向
• 负责美团即时配送履约链路的策略算法研发，包括调度匹配、骑手定价、用户营销和时间预估（ETA）等核心模型，综合运用机器学习、运筹优化、强化学习和因果推断等技术进行建模与优化
• 深入业务场景，与产品、运营、工程团队协作，定位业务瓶颈，制定算法优化方向，并推动策略方案落地和A/B实验验证，确保模型效果转化为业务收益
• 研究并实现基于多Agent协作的自动化算法研发框架（AutoResearch），探索大语言模型在研究规划、实验假设生成、代码生成等环节的能力边界，并构建算法知识库与记忆系统，推动策略体系向Agent自主决策演进
• 扎实的机器学习、数据挖掘、运筹优化或因果推断基础，并在至少一个领域有实际项目落地经验
• 熟悉大语言模型及Agent机制，具备独立构建和落地Agent系统的实践经验，能够识别AI输出质量问题
• 较强的业务洞察力和问题定义能力，能够将模糊的研究目标拆解为可验证的实验假设，并推动算法方案取得可量化收益
• 优秀的编程能力和系统工程能力，熟练使用相关技术栈

申请策略

• 在申请材料中明确表达对AutoResearch等前沿方向的兴趣，展示对技术创新的热情
• 了解美团核心本地商业的业务侧重点，准备一些对配送效率优化的想法或案例
• 突出在广告推荐、营销补贴、人单匹配、智能定价、资源分配、需求预估、时空建模或强化学习等方向的实际项目经验，展示具体数据和业务收益
• 强调独立构建Agent系统的实践经验，包括LLM调用、工具使用、代码生成等，以及如何评估和优化AI输出质量
• 展示业务洞察能力，例如如何将模糊问题转化为可验证的实验假设并推动落地
• 如果有外卖、物流、电商、出行等相关背景，重点突出
• 快速补充大语言模型和Agent的知识，了解ReAct、Plan-and-Execute等Agent框架，动手搭建一个简单的Agent demo
• 复习强化学习和因果推断的核心概念，以及常见的算法库如Ray、RLlib等，但重点是理解应用场景

面试指南

• 采用STAR法则（Situation, Task, Action, Result）描述项目，重点突出个人贡献和量化结果
• 对Agent问题，可以从模块化设计、任务分解、工具调用、反馈迭代、质量评估等环节展开，强调对失败场景的容错机制
• 对方法选择问题，要结合问题特性（如数据量、实时性、不确定性等）分析不同方法的适用条件，给出权衡理由
• 对业务冲突问题，强调从整体目标出发，与业务方沟通，设计合理的指标体系，并实验验证
• 请介绍一个你负责的算法项目，从问题定义到最终落地的完整过程，遇到哪些挑战，如何解决？
• 什么是Agent？你如何设计一个多Agent协作的自动化算法研究框架？如何保证研究结果的质量？
• 在运筹优化或因果推断中，你如何选择合适的方法？请举例说明
• 如何评估一个机器学习模型在配送ETA预测中的效果？在超大规模数据下如何保证实时性？