AI开发工程师（顺丰科技）

优缺点分析

角色解读

• 初期（1-3年）：作为应届生成长为能够独立承担模块开发任务的AI工程师，深入掌握多智能体与大模型应用技术
• 中期（3-5年）：可发展为技术专家或架构师，主导复杂AI系统的设计与优化，或成为技术团队的核心骨干
• 长期：可向技术管理（如技术经理）或更前沿的研究方向（如AI算法研究员）发展，或专注于垂直行业的AI解决方案架构
• 设计和开发应用于物流场景的多智能体系统，实现多个AI Agent间的协作与决策
• 在导师指导下，将大模型能力与具体的业务数据和流程结合，构建智能解决方案
• 参与AI系统的部署、优化与验证，确保其在实际业务中稳定高效运行
• 接触并学习大规模AI基础设施（如分布式推理、GPU调度）的规划与建设知识
• 扎实的编程能力，至少精通Java、Python或Go中的一种
• 对大模型、智能体架构有基本理解，并了解至少一种主流AI开发框架（如LangGraph、Spring AI）
• 具备基本的分布式系统和大数据技术认知（如K8s、Flink、Kafka）
• 强烈的业务理解与学习能力，能将技术应用于解决实际的物流问题

申请策略

• 仔细研究顺丰的物流业务，思考你所学的AI技术如何能在其中发挥作用，并在面试中展现你的思考
• 可以提前了解“智慧物流”、“供应链智能优化”等领域的行业动态，展现你的兴趣和主动性
• 突出与“多智能体”、“大模型应用”、“RAG”、“分布式系统”相关的课程项目或竞赛经历
• 展示至少一个使用Java/Python/Go完成的、有一定复杂度的项目，体现编程和工程能力
• 如有使用LangChain、LangGraph等框架或参与过开源AI项目的经历，务必重点描述
• 通过社团、竞赛或团队合作经历，体现沟通协作和快速学习能力
• 系统学习一种主流的多智能体或LLM应用开发框架（如LangGraph、AutoGen），并尝试完成一个小型Demo
• 复习或补充分布式系统、容器化（Docker/K8s）以及大数据基础组件（Flink/Kafka）的核心概念

面试指南

• 对于技术原理问题：先阐述基本概念，再结合一个你理解或实践过的具体例子进行说明，最后可以谈谈其优缺点或适用场景
• 对于场景设计问题：采用“问题定义-技术选型-实现路径-评估指标”的框架来回答，展现结构化思维
• 对于项目经历问题：使用STAR法则（情境、任务、行动、结果）清晰描述，并着重突出你个人的贡献和学到了什么
• 请介绍一个你做过的项目，其中是否涉及多智能体协作或大模型应用？你遇到了哪些技术挑战？
• 你了解哪些多智能体框架（如LangGraph）？它们解决的核心问题是什么？
• 如何将一个具体的物流场景（如快递路径规划）转化为一个可由AI智能体解决的问题？
• Docker和Kubernetes在AI模型部署中起到什么作用？
• 如果让你设计一个简单的物流智能客服Agent，你会如何考虑它的知识库和回答逻辑？