顺丰速运
算法副工程师-方向2（丰行慧运）
算法副工程师-方向2（丰行慧运）
发布于 3 小时前实习/见习
实习生仅现场办公NLP工程
NLP工程
Faiss
Kbqa
Nlp
Pytorch
Rag
Tensorflow
大模型
知识图谱
值不值得投
69综合评分
综合评分 69
顺丰2027届NLP算法实习岗，聚焦大模型RAG与知识图谱前沿技术，技术成长空间大，适合热爱AI探索的应届生。
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
6千
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 270 个在招
市场机会
选择不多
深圳 · NLP工程 · 5 个在招
职位详情
关于这个职位
该职位是顺丰速运面向2027届应届生提供的NLP算法实习岗位，主要参与企业级知识库、知识图谱及RAG底座的核心算法研发
你将协助完成实体抽取、混合检索、KBQA问答及大模型工程化部署等工作，致力于降低大模型幻觉率并优化底层数据加工链路
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NLP基础，熟悉分词、NER、关系抽取、文本匹配等基础理论
熟练使用PyTorch或TensorFlow框架，熟悉BERT类预训练模型及模型微调
了解BM25、ES及Milvus/FAISS等向量检索技术，掌握混合检索基础方案
了解知识图谱基础（实体消歧、对齐）及RAG链路原理
熟练掌握Python，具备较好的工程实践能力，能独立完成基础算法实验与验证
对AI和大模型应用有日常使用习惯和探索热情
工作职责
参与企业级知识库与知识图谱的核心算法研发，协助完成实体抽取、关系抽取及知识融合等任务
参与搭建并优化RAG（检索增强生成）底座，协助实现稀疏+稠密混合检索、向量召回与Query理解等算法
协助研发KBQA问答能力，跟进复杂多跳问答场景优化，协助降低大模型幻觉率
参与数据底盘的治理算法开发，包括文档清洗、结构化解析、多源数据归一化等
配合优化向量存储、文本分块及批量向量化等底层数据加工链路
基于线上业务数据迭代模型，输出自动化评估指标
配合大模型与后端团队，协助算法的工程化部署与API接口封装
优先资格
有文档解析/OCR相关项目经历
有多模态知识库、海量数据治理或企业级KBQA系统开发实践经验
AI 洞察
优缺点分析
优点
- 接触前沿的大模型、RAG及知识图谱技术，业务场景丰富，能积累企业级知识库落地经验
- 依托顺丰庞大的数据底盘，能提供海量数据治理与工程化落地的实战机会
- 头部企业平台，技术栈现代且贴近工业界最新实践，对应届生简历背书效果好
- 岗位带有'协助'性质，初期可能承担较多基础数据清洗、解析及工程化部署工作
- 适合对大模型应用、NLP及知识图谱有浓厚兴趣，具备一定工程实践能力且希望在实际业务中积累大模型落地经验的2027届应届生
缺点 / 挑战
- 大模型幻觉降低与复杂多跳问答优化具有较高的技术难度，需要较强的钻研能力
角色解读
- 从基础算法实验与数据治理做起，逐步深入大模型工程化部署与复杂多跳问答优化
- 未来可发展为NLP算法专家、大模型应用架构师或AI产品技术负责人
- 参与企业级知识库与知识图谱的核心算法研发，包括实体抽取、关系抽取及知识融合
- 搭建并优化RAG底座，实现稀疏+稠密混合检索与向量召回，研发KBQA问答能力并降低大模型幻觉
- 参与数据底盘治理，优化向量存储、文本分块等底层数据加工链路，并协助算法的工程化部署
- 扎实的NLP基础理论，熟练使用PyTorch或TensorFlow框架及BERT类预训练模型微调
- 掌握Python及向量检索技术（如BM25、Milvus/FAISS），了解RAG与知识图谱原理
- 具备较好的工程实践能力，能独立完成基础算法实验与验证，对大模型应用有探索热情
申请策略
- 展现对AI和大模型应用的日常使用习惯与探索热情，可在面试中分享个人微调模型或应用大模型解决实际问题的案例
- 突出NLP基础理论及PyTorch/TensorFlow框架使用经验，展示BERT类模型微调或向量检索相关的项目经历
- 若有文档解析、OCR或多模态知识库项目，需重点详细描述其在数据治理或问答系统中的作用
- 深入学习RAG链路原理及混合检索方案，了解Milvus/FAISS等向量数据库的基本使用
- 熟悉大模型幻觉降低策略及KBQA系统的基本架构，尝试搭建简易的RAG系统Demo
面试指南
- 采用STAR法则，结合具体项目背景、任务目标、采取的技术方案（如混合检索策略、模型微调方法）及最终量化收益进行回答
- 对于大模型幻觉等开放性问题，可从数据质量、Prompt工程、RAG检索优化及后处理校验等多个维度系统性阐述
- 请介绍一下你在RAG或知识图谱项目中的具体工作，以及如何优化向量召回效果？
- 在降低大模型幻觉率方面，你了解或实践过哪些具体方法？
- 请描述一下BM25与稠密向量检索的优缺点，以及如何实现稀疏+稠密混合检索？
- 在处理文档清洗和结构化解析时，遇到过哪些挑战，是如何解决的？
- 复习NLP经典理论及BERT类模型原理，熟悉Milvus/FAISS等向量数据库的基本操作
- 提前了解顺丰的业务场景，思考大模型在物流/企业知识库中的具体应用落地方案
职位点评
薪资福利60
成长发展85
工作生活50
使命价值70
薪资福利
60中等
面向2027届的算法实习/校招岗位，薪资符合深圳NLP算法应届/实习生的市场水准，福利体系完善。
薪资信号未披露（AI估算：4–8千/月）
成长发展
85较高
岗位涉及RAG、知识图谱及大模型工程化部署等前沿技术，且依托顺丰庞大的数据底盘，能提供极佳的技术成长与业务落地经验。
技术前沿前沿/新兴技术
技术栈NLP、RAG、知识图谱、KBQA、PyTorch、TensorFlow、BERT、Milvus、FAISS、大模型
业务类型ambiguous
工作生活
50较低
JD未明确提及工作模式与WLB相关信息，作为头部企业的算法研发岗，工作节奏可能较快。
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
70中等
依托顺丰在物流与供应链领域的深厚积累，通过大模型与知识图谱技术赋能企业级知识库，具有较高的行业应用价值与社会意义。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs