Agent算法实习生（J103893）

优缺点分析

角色解读

• 向AI Agent+运筹优化方向纵深发展，成为稀缺的复合型人才
• 可在百度内部转正，后续发展为算法工程师或研究员
• 积累产业级优化经验，未来可进入供应链、物流、金融等领域的核心算法团队
• 将业务需求转化为数学模型，设计可求解的优化任务
• 构建Agent可调用的数据接口、求解器和仿真环境
• 结合LLM Agent和运筹优化算法开发原型并验证效果
• 沉淀失败案例与有效策略，形成可复用的Agent skill组件
• 精通Python，能独立完成数据处理与算法实现
• 熟悉LLM Agent或数学规划、约束规划、启发式算法之一
• 具备问题抽象与建模能力，能识别决策变量与约束
• 良好的工程落地与沟通协作能力

申请策略

• 提前了解百度在AI Agent和物流调度等领域的业务，面试时展现对实际场景的理解
• 准备一个端到端的优化项目案例，体现问题建模、算法实现、结果验证的全流程
• 突出与LLM Agent、数学规划或启发式算法相关的项目经验
• 强调Python编程能力，附上GitHub链接或个人项目
• 展示将实际问题抽象为优化模型的能力，如竞赛成绩或论文
• 补强运筹优化基础，学习MIP、CP、SAT等典型求解器（如OR-Tools、Gurobi）
• 熟悉LangChain、AutoGPT等Agent框架，实践Agent调用外部工具的场景

面试指南

• 对于建模问题，使用STAR原则：情景、任务、行动、结果，强调抽象过程
• 对于Agent设计，介绍工具调用模式（如ReAct），结合具体技术选型
• 对于算法选择，从问题规模、实时性、解质量要求等维度分析
• 请举例说明你是如何将一个实际问题转化为数学优化模型的？
• 你如何设计一个LLM Agent来调用外部求解器？
• MIP和启发式算法各有什么优缺点？在什么场景下选择哪种？
• 如何评估一个优化结果的好坏？有哪些关键指标？
• 复习运筹优化经典案例（如TSP、VRP、排班问题），并实践用Python求解