高级大模型算法工程师（博士后）

优缺点分析

角色解读

• 技术专家路线：深耕大模型算法，成为公司内部大模型技术带头人，推动前沿技术研究
• 技术管理路线：积累项目管理经验后，晋升为算法团队负责人或技术总监，带领团队攻克难题
• 行业影响力路线：通过开源贡献或学术发表，提升个人在AI领域的影响力，成为业界知名专家
• 研发和优化大模型核心算法，包括预训练、微调、RAG、提示工程等，提升模型效果与性能
• 设计多智能体调度框架，结合大模型实现任务调度与协作机制
• 将大模型技术应用于AIOps、代码生成、智能问答等业务场景，推动技术落地
• 与产品、数据、运维团队协作，设计端到端解决方案，并跟踪前沿技术如Agent、MoE等
• 扎实的深度学习基础，熟练使用PyTorch或TensorFlow，具备大模型全链路经验（预训练、SFT、RLHF等）
• 掌握主流大模型技术栈，如vLLM、Dify、LangGraph，并有工程化部署经验
• 优秀的编程能力（Python/C++/Java），熟悉CUDA/分布式训练者优先
• 强烈的技术热情，能快速复现论文并解决复杂工程问题，跨团队沟通能力强

申请策略

• 关注顺丰的技术博客或招聘宣讲，了解公司大模型战略方向，面试中展示你的匹配度
• 准备好针对AIOps、代码生成等场景的端到端方案设计案例
• 突出大模型项目经验：详细描述你参与的预训练、微调、RAG等具体项目，包括模型规模、技术路线、效果指标
• 强调工程化能力：列出你使用的技术栈（vLLM、Dify、LangGraph等），以及性能优化、部署经验
• 展示学术或开源成果：如果有论文、比赛获奖、开源贡献，务必突出，体现技术热情
• 量化成果：用数据说明模型效果提升、推理成本降低等业务价值
• 如果对Agent、MoE、MCP等前沿技术不熟悉，建议阅读最新论文并动手实现小项目
• 补充CUDA或分布式训练经验，这在大型模型优化中非常加分

面试指南

• 对于技术问题，采用“概念-流程-关键技术-优化点”的结构，先概述再深入，结合实际项目经验
• 对于方案设计问题，采用“业务需求-技术选型-实施步骤-效果评估”的框架，体现结构化思维
• 对于开放性问题，结合顺丰业务（如物流调度、客服、代码辅助）给出具体想法，展现业务洞察
• 请简述大模型全链路技术（预训练、SFT、RLHF）的流程和关键挑战
• 如何设计一个RAG系统来提升问答准确性？请具体说明技术选型和优化点
• 你有过工程化部署大模型的经验吗？如何降低推理成本和延迟？
• 谈谈你对Agent技术架构的理解，以及如何用多智能体解决任务调度问题
• 如果你进入顺丰，你会选择哪个业务场景优先落地大模型？为什么？