顺丰速运
大模型算法高级工程师
大模型算法高级工程师
发布于 2 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
Langgraph
Lora
Nlp
Rag
Vllm
大模型
值不值得投
73综合评分
综合评分 73
核心业务大模型Agent高级技术岗，前沿技术栈、成长空间大，薪资优厚但工作强度可能较高。
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，方便横向比较。
薪资怎么样
6万
比NLP工程中位数高
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 370 个在招
市场机会
选择不多
深圳 · NLP工程 · 6 个在招
职位详情
关于这个职位
该职位负责顺丰销售报价场景下的大模型Agent应用核心能力建设，主导意图理解、任务规划、工具调用等关键技术的研发与优化
你需要探索前沿Agent技术，构建能力矩阵，并负责推理与并发优化，推动智能Agent方案在业务中的规模化落地
最低要求
硕士或以上学历，计算机、软件工程、人工智能、自然语言处理等相关专业
年以上大模型或NLP相关工作经验，有大规模Agent系统落地经验者优先
对大模型应用方向有浓厚兴趣，扎实的自然语言处理和深度学习理论功底，对大模型前沿技术有深入跟踪与实践，精通APE、RAG、Agent工作流编排中至少两个领域
Agent应用方向：精通大模型Agent全链路技术，包括意图理解、任务分解（CoT/ReAct/Plan-and-Execute）、工具调用（Function Calling/Tool Use）、记忆机制（短期/长期记忆）、多轮对话管理等，熟悉主流Agent框架（LangGraph/OpenClaw/Dify等）的架构设计与二次开发，具备复杂业务场景下Agent效果优化的实战经验
RAG与知识增强方向：对检索增强生成技术有深入理解，熟悉文档解析、分块策略、Embedding方案、向量检索与重排序等全链路技术，具备多路召回、精确引用、数据溯源等能力在报价等高准确性场景中的调优实践经验，能够将知识增强能力与业务场景深度结合
模型调优方向：熟悉大模型的预训练、指令微调（SFT）、LoRA/QLoRA参数高效微调、RLHF/DPO等后训练技术，具备独立设计训练方案和解决训练疑难问题的能力，能够针对报价场景的领域适配进行模型定制优化
工程与系统集成方向：具备良好的工程能力，熟练使用Python，熟悉FastAPI等后端框架，具备Agent与企业内部系统（CRM/ERP/OA/审批流等）的API集成经验，熟悉模型部署与推理优化技术（vLLM/TensorRT-LLM/量化加速等），能够推动Agent从原型到高性能线上服务的全流程落地
工作职责
负责顺丰业务场景中面向销售报价的大模型Agent应用核心能力建设，主导Agent系统的意图理解、任务规划、工具调用与多轮对话等关键能力的质量与效率持续提升，制定技术演进路线并推动关键技术攻关
探索并落地前沿的大模型Agent技术，主导研发面向产品选型、价格测算、折扣策略推理、报价单生成等全链路业务的智能Agent方案，推动Agent从技术验证到业务规模化应用，实现销售报价响应从小时级到分钟级的跨越
构建面向销售场景的Agent能力矩阵，包括但不限于意图识别与槽位填充、多步任务编排、Function Calling工具链、RAG知识增强、多Agent协同等，建设体系化的Agent应用能力底座
负责Agent系统的推理优化、并发优化、工具调用链路优化等，主导大规模业务场景下的性能瓶颈分析与架构级优化，保障Agent在复杂业务流程下的服务质量、响应时延与系统稳定性
作为Agent方向技术骨干，参与项目的技术方案评审与风险把控，指导初中级算法工程师的技术成长，推动团队技术能力提升与知识沉淀
优先资格
加分项：
在ACL、EMNLP、NAACL等自然语言处理顶级学术会议或期刊发表过论文
有销售、CRM或ERP等业务场景下的大模型应用经验
有开源大模型项目贡献或技术社区影响力
有多Agent系统（Multi-Agent）设计与落地经验
AI 洞察
优缺点分析
优点
- 业务场景明确且价值高，直接赋能核心销售报价业务，容易产出可量化的业务成果
- 技术栈前沿，涵盖大模型Agent、RAG、多Agent协同等当前AI领域最热门的方向
- 平台资源丰富，依托庞大的业务数据和系统生态，有利于大规模Agent系统的落地与打磨
- 业务场景复杂，销售报价涉及产品选型、价格测算等多链路，对Agent的准确性和稳定性要求极高
- 适合具备5年以上NLP/大模型经验，对Agent技术有深入实践，且具备较强工程落地能力的算法工程师
缺点 / 挑战
- 需要兼顾算法效果与工程性能，在大规模并发下保障系统响应时延和稳定性具有较大挑战
角色解读
- 从高级算法工程师向Agent方向技术专家或架构师发展，主导复杂业务场景的AI落地
- 通过指导初中级工程师和参与技术方案评审，逐步向技术管理或团队Leader方向转型
- 负责顺丰销售报价场景下的大模型Agent核心能力建设，主导意图理解、任务规划与工具调用等关键技术的研发
- 探索并落地前沿Agent技术，构建包含RAG、多Agent协同等在内的能力矩阵，推动业务响应效率提升
- 负责Agent系统的推理与并发优化，保障大规模业务场景下的系统稳定性与响应时延
- 精通大模型Agent全链路技术，包括任务分解、工具调用、记忆机制及多轮对话管理
- 深入理解RAG与知识增强技术，熟悉文档解析、向量检索与重排序等全链路调优
- 具备扎实的工程能力，熟练使用Python及FastAPI，熟悉模型部署与推理优化技术（如vLLM）
申请策略
- 提前了解顺丰的销售报价业务流程及CRM/ERP系统架构，思考Agent技术如何与现有业务系统深度集成
- 准备1-2个在复杂业务场景下解决Agent幻觉或提升工具调用准确率的真实案例，以应对面试中的技术深挖
- 重点突出在Agent系统、RAG或大模型微调方面的实际落地项目，特别是涉及复杂任务编排和工具调用的经验
- 展示在推理优化、并发处理或系统架构设计方面的工程能力，证明能够保障大规模线上服务的稳定性
- 若有顶会论文发表、开源项目贡献或销售/CRM等业务场景的大模型应用经验，务必在简历中显著标明
- 深入学习主流Agent框架（如LangGraph、Dify）的底层架构与二次开发，提升复杂工作流编排能力
- 补充模型部署与推理加速技术（如vLLM、TensorRT-LLM）的实践经验，提升工程化落地能力
面试指南
- STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action) -> 结果(Result)，重点突出技术选型和解决难点的过程
- 系统性思维：从算法效果、工程性能、业务价值三个维度全面阐述解决方案，展现架构师视角
- 在销售报价这种高准确性要求的场景中，你们是如何通过RAG或Agent设计来减少大模型幻觉的？
- 请详细描述一个你主导的复杂Agent工作流编排案例，如何处理多步任务分解和工具调用失败的异常？
- 在大规模并发场景下，你是如何对Agent系统进行推理优化和并发优化的？
- 如何评估和优化Agent在长文本或多轮对话中的记忆机制？
- 复习大模型Agent的核心论文和主流框架（如ReAct、Plan-and-Execute、LangGraph）的底层原理
- 梳理自己过往项目中的性能瓶颈分析案例，准备好具体的优化指标（如延迟降低、吞吐量提升等数据）
职位点评
薪资福利75
成长发展90
工作生活50
使命价值70
薪资福利
75中等
薪资面议，但基于5年以上大模型高级算法经验及深圳地域因素，预计薪资处于市场较高水平，能满足较好的物质回报期望。
薪资信号面议 (4.5千–7.5万/月)
成长发展
90较高
岗位涉及大模型Agent、RAG等前沿技术，且要求指导初中级工程师，技术成长与团队影响力发展空间极大。
技术前沿前沿/新兴技术
技术栈大模型、Agent、RAG、LangGraph、Function Calling、vLLM、LoRA
成长机会指导初中级算法工程师的技术成长、推动团队技术能力提升与知识沉淀
业务类型profit_center
工作生活
50较低
JD未明确提及工作模式与WLB相关信息，但作为核心业务的高级技术骨干，且涉及大规模系统优化与关键技术攻关，工作强度可能较大。
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
物流与供应链行业正在积极拥抱AI转型，利用大模型提升销售报价效率具有明确的业务价值，但社会公共影响力相对有限。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs