滴滴出行
CTO-算法实习生（MJ020697）
CTO-算法实习生（MJ020697）
发布于 2 小时前实习/见习
实习生仅现场办公算法工程师
算法工程师
Pytorch
图神经网络
大语言模型 (Llm)
强化学习
时空数据挖掘
智能体 (Agent)
机器学习
深度学习
值不值得投
75综合评分
综合评分 75
顶尖平台、前沿技术栈、高成长潜力，适合有志于AI科研与应用的优秀学子
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
5.0千
比算法工程师中位数低
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 2370 个在招
市场机会
选择不多
北京 · 算法工程师 · 9 个在招
职位详情
关于这个职位
作为滴滴出行CTO部门算法实习生，你将深入参与智能交通核心算法的研究与优化，利用机器学习、深度学习及大模型技术解决ETA预估、路况预测等关键问题
同时，探索AutoResearch、Agent等前沿AI技术在真实业务场景中的落地应用，推动科研成果向工程实践转化
最低要求
计算机科学、人工智能、数学、统计学、自动化、交通工程等相关专业本科及以上学历，硕士、博士优先
具备扎实的机器学习、深度学习、数据挖掘基础，熟悉常见算法原理及应用
熟练掌握 Python，熟悉 PyTorch 等主流深度学习框架，具备良好的编程和算法实现能力
对 AI 前沿技术有强烈的探索兴趣，了解或实践过 LLM、Agent、强化学习、AutoResearch 等相关技术者优先
具备良好的数学基础、科研思维和独立解决问题的能力，有较强的论文阅读、技术调研及实验分析能力
对智能交通、时空数据挖掘、轨迹预测、时空序列建模等方向有研究兴趣或相关经验者优先
工作职责
智能交通核心算法研究与优化：基于滴滴海量出行轨迹、实时路况及多源交通数据，利用机器学习、深度学习及大模型等 AI 技术，优化 ETA（到达时间预估）、路况预测、智能路线规划等核心算法
探索时空序列建模、图神经网络、强化学习、多模态学习等前沿技术，提升复杂动态交通场景下的算法效果
面向真实业务场景，推动算法研究成果工程化落地，提升用户出行体验与平台交易效率，助力缓解城市交通拥堵
前沿AI技术探索与创新研究：探索 AutoResearch（自动化科研）、RSI（递归自进化智能）、Agent、LLM 等前沿技术在智能交通领域的应用
研究 AI 驱动的自动化算法研究体系，包括自动提出假设、生成算法方案、实验验证、效果评估及迭代优化，探索算法自主研究与持续进化的新范式
探索智能 Agent 在交通问题分析、算法优化、实验管理和决策推理等场景中的应用
跟踪人工智能、时空智能及智能交通领域的前沿研究进展，开展创新性算法研究
参与高水平学术论文的撰写与发表，推动有价值的研究成果在真实交通业务中落地
将研究成果沉淀为可复用的算法模型、技术框架及创新方案
优先资格
在 NeurIPS、ICML、ICLR、KDD、AAAI、IJCAI、WWW、SIGSPATIAL、ITS 等顶级会议或期刊发表过论文
在 ETA 预测、交通流预测、路径规划、时空图学习、强化学习等方向有项目或科研经验
有 LLM Agent、Multi-Agent、AI for Science、AutoResearch 或自进化 AI 系统相关实践经验，熟悉AI Coding
有较强的开源项目贡献能力，具备从论文复现到算法创新、从实验验证到工程落地的完整经验
AI 洞察
优缺点分析
优点
- 接触海量真实交通数据，参与前沿AI技术（LLM、Agent）在垂直领域的落地，平台大、资源多
- 计算机/AI相关专业硕士或博士，对智能交通和前沿AI技术有浓厚兴趣，具备较强科研潜力的同学
缺点 / 挑战
- 技术门槛高，需具备较强的科研能力和数学基础，竞争激烈，对论文和实战经验要求较高
角色解读
- 可向高级算法研究员、AI科学家方向发展，或在智能交通、自动驾驶领域深耕成为技术专家
- 负责智能交通领域核心算法（如ETA预估、路径规划）的研究与优化，利用大数据和AI技术解决实际问题
- 扎实的机器学习/深度学习基础，精通Python和PyTorch，具备较强的科研思维和代码实现能力
申请策略
- 提前了解滴滴在智能交通领域的业务痛点，准备相关的技术案例或研究思路，展现解决实际问题的能力
- 突出机器学习/深度学习项目经历，强调Python编程能力和PyTorch使用经验，展示相关论文或竞赛成果
- 加强时空数据挖掘、图神经网络、强化学习等特定方向的知识储备，关注LLM和Agent在垂直领域的应用
面试指南
- 采用STAR法则（情境、任务、行动、结果）描述项目经历，重点突出技术选型理由、遇到的挑战及解决方案、最终效果量化
- 请介绍一个你参与的机器学习/深度学习项目，并说明你的具体贡献
- 如何理解并应用图神经网络解决交通流量预测问题？
- 你对LLM和Agent在智能交通领域的应用有什么看法？
- 请解释一下强化学习的基本原理及其在路径规划中的应用
- 复习机器学习/深度学习经典算法，了解最新AI前沿技术（如LLM、Agent），准备相关技术问题的回答思路
职位点评
薪资福利60
成长发展95
工作生活50
使命价值85
薪资福利
60中等
实习津贴符合互联网大厂市场水准，但作为实习生，薪资并非主要考量因素，更多是补贴生活。
薪资信号未披露（AI估算：4.0–6.0千/月）
成长发展
95较高
极高发展性动机满足度，提供接触前沿AI技术和海量数据的机会，有助于快速提升科研和工程能力。
技术前沿前沿/新兴技术
技术栈LLM、Agent、AutoResearch、RSI、PyTorch、图神经网络、强化学习
成长机会探索前沿技术、推动算法研究成果工程化落地、参与高水平学术论文的撰写与发表
业务类型profit_center
工作生活
50较低
互联网大厂节奏较快，可能面临一定的工作压力，但作为实习生，相对正式员工可能有更多的学习和探索空间。
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
85较高
通过AI技术改善城市交通，缓解拥堵，具有显著的社会价值和使命感，符合追求意义感的求职者。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号让出行更智能、更高效、助力缓解城市交通拥堵、让AI技术真正改变城市交通
创新程度开拓性创新（行业首创）
Watch Jobs