运筹优化算法工程师-运筹大模型方向（博士后）

优缺点分析

角色解读

• 在物流与供应链领域的AI+运筹交叉方向成为顶尖技术专家
• 出站后可向核心算法架构师或AI技术总监方向发展
• 探索大模型与运筹优化技术的融合路径，面向物流场景打造运筹大模型
• 研究业务知识建模，利用知识图谱等技术构建可复用的业务知识体系
• 设计大模型驱动的算法自动生成与进化机制，以及动态调度与通用运筹能力
• 具备扎实的运筹优化、数学建模和算法设计基础
• 熟悉大模型的底层原理、推理能力及代码生成技术
• 拥有计算机或AI相关专业博士学历，具备前沿学术研究能力

申请策略

• 提前了解顺丰在智慧物流、无人机调度或仓储优化方面的业务布局，以便在面试中结合业务场景探讨技术落地
• 突出在大模型、运筹优化或两者结合方向的顶会论文或核心科研项目
• 展示在数学建模、启发式算法设计或知识图谱构建方面的实际落地经验
• 强调对物流、供应链或复杂调度问题的理解与解决方案
• 深入了解主流大模型在代码生成和逻辑推理上的最新进展
• 熟悉主流运筹求解器及启发式算法框架

面试指南

• STAR法则：针对项目经验，清晰阐述背景、任务、行动（技术选型与创新点）和结果（业务指标提升）
• 技术深度剖析：对于融合类问题，先拆解大模型和运筹各自的优势与局限，再阐述协同机制（如大模型负责理解与生成，求解器负责精确计算）
• 请分享一个你主导的将大模型或深度学习应用于运筹优化/调度问题的项目
• 大模型在生成启发式规则或算法算子时，如何保证生成代码的可执行性和正确性？
• 面对动态变化的物流场景，大模型与运筹求解器如何协同进行动态重调度？
• 如何利用知识图谱或业务本体对复杂的物流业务规则进行结构化表达？
• 复习运筹学经典算法及大模型在Agent、代码生成领域的最新Paper
• 准备1-2个能够体现你解决复杂业务建模能力的深度案例