顺丰速运
算法副工程师-方向1（丰图科技）
算法副工程师-方向1（丰图科技）
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公NLP工程
NLP工程
Nlp
Pytorch
Rag
大模型
机器学习
深度学习
自然语言处理
值不值得投
74综合评分
综合评分 74
前沿大模型技术栈、业务场景丰富、技术成长空间大，但WLB未明确。
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，方便比较职业起点。
薪资怎么样
1.5万
比NLP工程中位数低
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 350 个在招
市场机会
选择不多
武汉 · NLP工程 · 4 个在招
职位详情
关于这个职位
该职位面向地址理解、时空智能等场景，参与大模型与NLP算法的研发与优化
你将协助完成数据整理、模型微调、RAG方案设计以及算法的工程落地，并跟踪前沿技术进行调研与复现
最低要求
届本科及以上学历毕业生，计算机、人工智能、自然语言处理、数据科学等相关专业
具备扎实的机器学习与深度学习基础，理解分类、序列标注、文本匹配等常见算法原理
熟练使用Python编程，掌握PyTorch、Transformers等框架，有模型训练与调优经验
熟悉主流NLP技术体系，了解BERT类预训练模型及LLM微调方法（如LoRA、SFT等）
了解RAG、向量检索及Agent工作流等技术方案
具备较好的算法工程素养，了解数据处理、模型评测及工程部署的完整链路
对AI结合空间地理（GIS）、地址智能等业务场景有探索热情
工作职责
面向地址理解、时空智能、智能体应用等场景，参与大模型、自然语言处理算法的研发与优化，解决地址结构化、实体识别、文本分类等业务问题
协助完成训练数据的整理、清洗与标注规范设计，构建高质量的模型评测与训练数据集
参与大模型Prompt设计、微调、RAG方案设计及Agent工作流的实验与效果验证
跟进模型训练、测试与评估，分析BadCase，协助定位模型泛化能力或准确率瓶颈
协助算法能力的工程落地，参与模型服务封装与推理性能优化
跟踪NLP、大模型领域的最新前沿技术，完成技术调研与核心论文复现
优先资格
在ACL、AAAI、NeurIPS等顶会发表过相关论文
在Kaggle、天池等知名算法竞赛中取得优异成绩
有开源项目贡献、知识图谱或推荐系统相关经验
AI 洞察
优缺点分析
优点
- 接触大模型、RAG、Agent等前沿AI技术，技术栈新且极具发展潜力
- 依托丰富的物流与地理数据，业务场景真实且数据量庞大，利于算法落地与经验积累
- 作为校招岗位，有完善的培养体系，适合应届生打牢算法与工程基础
- 大模型技术迭代极快，需要持续投入大量时间跟踪前沿论文与技术
- 适合对NLP和大模型有浓厚兴趣，具备扎实算法基础且有一定工程实践能力的2027届计算机或AI相关专业应届生
缺点 / 挑战
- 算法工程落地涉及推理性能优化与部署，对工程能力要求较高，需跨越从理论到实践的鸿沟
角色解读
- 从算法副工程师起步，逐步成长为能独立负责核心算法模块的NLP/大模型算法工程师
- 未来可向大模型应用专家、算法架构师或AI业务线技术负责人方向发展
- 参与大模型与NLP算法的研发，解决地址结构化、实体识别等具体业务问题
- 负责训练数据的整理与清洗，设计Prompt、微调策略及RAG方案，并进行效果验证
- 跟进模型训练与评估，分析BadCase以优化模型性能，并协助算法的工程落地与推理优化
- 扎实的机器学习与深度学习基础，熟练使用Python及PyTorch、Transformers等框架
- 熟悉主流NLP技术体系，掌握LLM微调方法（如LoRA、SFT）及RAG、Agent工作流等技术方案
- 具备良好的算法工程素养，了解数据处理、模型评测及工程部署的完整链路
申请策略
- 提前了解丰图科技在地址理解、时空智能方面的业务背景，准备相关的业务思考
- 在面试中展现对AI结合GIS场景的探索热情，体现解决实际业务问题的导向思维
- 突出在NLP、大模型微调（LoRA/SFT）、RAG或Agent方向的项目经验或论文成果
- 展示熟练使用PyTorch等框架进行模型训练与调优的经历，以及处理BadCase的实战经验
- 若有顶会论文、知名算法竞赛获奖或开源项目贡献，务必在简历显眼位置展示
- 深入学习大模型微调技术及RAG、Agent工作流的最新开源实现（如LangChain、LlamaIndex）
- 补充模型部署与推理优化相关知识（如vLLM、TensorRT），提升算法工程落地能力
面试指南
- STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action，突出技术细节与思考) -> 结果(Result，用数据指标说话)
- 技术深度展开：先讲整体架构与方案选型，再深入核心算法原理，最后讨论工程落地与性能优化
- 请介绍一个你参与过的NLP或大模型相关项目，你在其中解决了什么核心问题？
- 在模型训练后，你是如何分析BadCase并定位泛化能力或准确率瓶颈的？
- 请简述RAG方案的设计思路，以及如何评估和优化RAG的检索与生成效果？
- 针对地址结构化或实体识别任务，你会如何设计数据标注规范并构建高质量数据集？
- 复习NLP经典模型（如BERT）及大模型微调（LoRA、SFT）的核心原理与代码实现
- 准备1-2个自己主导或深度参与的算法项目，梳理其中的技术难点、解决方案及最终收益
职位点评
薪资福利70
成长发展85
工作生活60
使命价值75
薪资福利
70中等
作为校招算法岗，薪资处于武汉地区市场中上水平，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：1.2千–1.8万/月）
成长发展
85较高
岗位涉及大模型、RAG、Agent等前沿技术，且依托丰富业务场景，技术成长空间大。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、Transformers、NLP、大模型、LoRA、SFT、RAG、Agent
业务类型ambiguous
工作生活
60中等
JD未提及工作模式与WLB相关信息，生活化动机满足程度无法明确判断。
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
75中等
AI结合空间地理与地址智能具有较高的技术探索价值，但社会影响力主要体现在企业内部效能提升。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs