高德地图
高德-NLP/Agent算法工程师/专家-POI智能化
高德-NLP/Agent算法工程师/专家-POI智能化
发布于 3 天前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
学历未注明
研究与开发 (研发)
Langgraph
Llm
Nlp
Qwen
Rag
Prompting
AI 估算 · 35k–60k
高德作为阿里体系内的上市公司，算法专家岗位在北京薪资较高，结合3年以上经验和前沿技术，月薪预计在35k-60k之间。
职位详情
关于这个职位
该职位负责利用LLM和Agent技术，构建POI数据生产的智能化链路，包括从信息理解到闭环更新的全流程
你将参与Agent基础服务平台建设，探索自主规划、工具调用等关键能力，并负责NLP/LLM核心算法研发
工作涉及前沿的Agent框架和模型训练，需要较强的技术洞察力和产品意识
最低要求
熟悉 NLP 的各种任务建模，并且有丰富的实践经验，包含但不仅限于切词、NER、语言模型、事件检测与要素抽取、分类等
深入理解 Transformer 架构及主流 LLM（如 Qwen, Llama 等）的原理与应用
熟悉主流Agent框架（如LangGraph，Hermes Agent，AgentScope，Anthropic Agent等），熟练掌握session、memory、rag、prompting、cache、tool using、skill和mcp等技术，有LLM训练经验和分布式应用经验
工作职责
基于 LLM/Agent 的自主规划、执行、反思与协同能力，构建面向数据生产与智能决策的下一代技术链路，推动从信息理解、自动挖掘、质量校验到闭环更新的全流程智能化，提升POI数据生产效率、用户交互体验
负责 Agent 基础服务平台建设，探索自主规划、任务分解、工具调用、结果验证和闭环执行等关键能力
负责 NLP/LLM 相关基础算法能力建设，包括文本理解、信息抽取、纠错、质量评估、生成与融合等核心能力
探索 LLM 在复杂场景下的零样本、少样本学习与推理能力，提升算法在开放任务中的泛化效果与落地效率
参与智能语音交互、端侧 Agent、设备协同 Agent、多模态安全识别、Agent攻防等前沿方向的研发与应用
优先资格
有机器人智能语音外呼、移动设备agent、智能决策和审核agent经验者优先
有技术洞察力，精益求精，有产品意识，优秀的问题分析解决能力，对挑战充满激情
在 ACL、EMNLP、NAACL、COLING、WWW、CIKM、ICML、KDD、NeurIPS 等相关国际会议上有文献发表优先
AI 洞察
优缺点分析
优点
- 涉及LLM和Agent最前沿技术，技术含量高，能快速提升在AI领域的竞争力
- 高德作为阿里集团子公司，平台大、数据丰富，业务场景落地性强
- 团队专注技术创新，有国际顶会发表机会，学术氛围浓厚
- 北京核心地段办公，薪资高，福利体系完善（五险一金、年终奖等）
- 技术迭代快，需要持续学习最新论文和框架，保持技术敏锐度
- 算法岗位竞争激烈，面试要求高，需要扎实的理论和实践经验
- 可能涉及高强度工作，尤其在项目关键期或模型训练调优阶段
缺点 / 挑战
- 该职位适合在NLP/LLM领域有丰富经验、热爱技术创新、渴望挑战前沿难题的算法工程师
角色解读
- 在NLP/LLM领域深耕，成为算法专家或技术负责人，主导大模型在POI场景的应用
- 向Agent架构师方向发展，构建复杂的多智能体系统，推动自动化决策能力提升
- 随着高德地图业务发展，可以向数据智能化、用户交互体验等方向延伸，成为业务+技术的复合型人才
- 利用LLM和Agent技术构建POI数据生产的智能化链路，包括信息理解、自动挖掘、质量校验和闭环更新
- 建设Agent基础服务平台，探索自主规划、任务分解、工具调用等关键能力
- 负责NLP/LLM核心算法研发，如文本理解、信息抽取、纠错、质量评估等
- 参与智能语音交互、端侧Agent、多模态安全识别等前沿方向研发
- 扎实的NLP基础，熟悉分词、NER、语言模型、事件抽取等任务，并有丰富实践经验
- 深入理解Transformer架构及主流LLM（如Qwen、Llama）的原理与应用
- 掌握主流Agent框架（如LangGraph、AgentScope等），熟悉session、memory、RAG、tool using等技术
- 具备LLM训练经验和分布式应用经验，有技术洞察力和产品意识
申请策略
- 提前了解高德POI业务背景，思考LLM如何解决数据生产中的实际痛点
- 面试中展现产品思维，说明技术如何提升用户体验或业务效率
- 突出NLP项目经验，尤其是LLM和Agent相关项目，如基于LangGraph的任务规划系统
- 展示在ACL、EMNLP等顶会发表的论文或开源项目，证明技术实力
- 强调分布式训练、模型优化、Prompt Engineering等实践经验
- 如果涉及智能语音或移动端Agent项目，务必重点提及
- 系统学习主流Agent框架（LangGraph、AutoGen等），动手搭建一个简单Agent应用
- 深入理解LLM微调（LoRA、QLoRA）和推理优化技术
面试指南
- 用STAR法则描述项目：Situation（背景）、Task（任务）、Action（行动）、Result（结果），突出技术细节和量化成果
- 对比分析问题：先阐述不同框架的适用场景，再根据实际需求给出选择理由，体现技术判断力
- 系统设计题：从需求分析、架构设计、技术选型、评估指标、迭代优化等步骤展开，考虑边界情况和异常处理
- 请详细介绍你过去使用LLM或Agent完成的一个项目，包括架构设计、遇到的问题和解决方案
- 解释LangGraph和传统Agent框架的区别，以及在什么场景下你会选择使用它
- 如何设计一个基于LLM的POI信息自动纠正Agent？需要考虑哪些方面？
- 你对LLM的幻觉问题有什么解决方案？在实际项目中如何保证输出质量？
- 谈谈你对Agent自主规划与反思机制的理解，如何实现一个简单的反思循环？
职位点评
72
综合评分
高德核心算法岗，前沿LLM/Agent技术，薪资优厚，成长空间大，但WLB一般。
更适合这类人
适合追求技术成长、乐于挑战前沿算法、对薪资有较高期望但能接受一定工作强度的求职者。
表现最好
成长发展
相对薄弱
工作生活
薪资福利80
成长发展90
工作生活50
使命价值70
薪资福利
80较高
该职位属于阿里体系，薪资具有竞争力，福利完善，但JD未明确具体薪资，属于面议范畴。
薪资信号面议 (35K-60K/月)
成长发展
90较高
职位涉及LLM、Agent等前沿技术，团队注重技术创新，有机会发表顶会论文，成长空间大。
技术前沿前沿/新兴技术
技术栈LLM、Agent、NLP、Transformer、LangGraph、Qwen、Llama、RAG
业务类型ambiguous
工作生活
50较低
工作地点在北京，JD未提及远程或弹性办公，互联网公司通常有一定加班文化，但未明确说明。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
70中等
POI数据是地图服务的基础，对提升用户体验有直接价值，但属于商业应用，社会影响力中性。
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