龙旗科技
算法工程师(J17014)
算法工程师(J17014)
发布于 大约 8 小时前普通员工/个人贡献者
全职员工仅现场办公人工智能
人工智能
Llm
Vlm
仿真
具身智能
强化学习
机器学习
机械臂控制
模仿学习
计算机视觉
值不值得投
73综合评分
综合评分 73
前沿具身智能算法岗，技术成长性极高，平台资源好，但WLB信息不明。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
比人工智能中位数低
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
39 个在招
市场机会
选择面较广
上海 · 人工智能 · 约 180 个在招
职位详情
关于这个职位
该职位主要负责将人工智能算法（特别是具身智能大模型和强化学习）应用于工业机械臂，使其能够学习并执行复杂操作技能，如抓取、拣选等
工作将涉及从算法研究、数据处理、模型训练到系统部署的全流程，目标是提升产线自动化水平
最低要求
具有机器人、计算机、人工智能、自动化等相关专业硕士研究生及以上学历
探索机器学习在具身智能领域应用，产出有影响力的工作
掌握机器学习相关基础知识，熟悉强化学习、模仿学习、示教学习、自监督学习等方向者优先
具有一定的任务规划基础，对PDDL，POMDP，决策树，知识图谱等相关知识有了解者优先
有isaac sim, isaac gym, webots和mujoco等仿真环境使用经验
工作职责
参与机械臂针对硬件产线领域的复杂操作技能学习的算法研究和测试，负责前沿人工智能算法与机器人物理操作结合相关的研究
与团队配合完成数据集的收集与整理，设计和改进模型架构，独立完成模型优化和参数整定，并训练模型
参与具身智能大模型开发，包括LLM或VLM多模态大模型的数据构建、训练、测评及部署工作
负责将具身智能大模型应用到工业机械臂的感知、决策规划和控制系统重，完成机械臂交互、抓取、拣选等物流功能业务
AI 洞察
优缺点分析
优点
- 公司平台成熟，资源丰富，有将算法应用于真实工业场景的机会，能积累宝贵的落地经验
- 技术门槛高，需要快速学习并融合机器人学、AI大模型、控制理论等多学科知识
- 工业场景复杂多变，算法从仿真到真实产线的迁移（Sim-to-Real）可能遇到诸多工程难题
- 作为跨国企业中的研发岗位，可能需要与全球团队协作，对沟通和技术视野有更高要求
- 对机器人与AI的结合充满热情，具备扎实的算法功底和工程实践能力，乐于攻克复杂技术难题，并希望将技术应用于实体产业的硕士或博士求职者
缺点 / 挑战
- 身处人工智能与机器人交叉的前沿领域（具身智能），技术挑战性强，个人成长空间大
- 研究与工程结合紧密，既能追求算法创新，也能看到实际产出，成就感较高
角色解读
- 技术专家路径：在具身智能或工业机器人领域深耕，成为算法专家或首席科学家，主导核心技术攻关
- 技术管理路径：积累项目经验后，可带领小团队负责特定产品线或技术模块的研发，向技术经理方向发展
- 行业应用路径：深入理解工业场景，转型为解决方案架构师或产品经理，连接算法与实际产业需求
- 研究和开发让机械臂通过AI算法（如强化学习）自主学习并执行复杂操作（如抓取、拣选）的算法
- 负责具身智能大模型（LLM/VLM）在工业机器人领域的应用落地，包括数据、训练、部署全流程
- 设计和优化机器人感知、决策与控制系统的算法模块，使其适应实际产线需求
- 扎实的机器学习基础，特别是强化学习、模仿学习、自监督学习等算法原理与应用
- 熟悉具身智能、机器人学概念，有使用主流仿真环境（如Isaac Gym, MuJoCo）进行算法验证的经验
- 具备良好的工程能力，能独立完成模型训练、参数调优和系统集成
申请策略
- 在简历或求职信中，明确表达你对‘让AI在物理世界中行动’这一愿景的理解和兴趣
- 面试前可以研究龙旗科技的公开产品或技术动态，思考你的技能如何与公司的具体业务方向结合
- 重点展示在机器学习（尤其是强化学习、模仿学习）算法方面的研究或项目经历，附上论文链接或GitHub代码
- 详细描述任何与机器人、仿真环境（Isaac Gym, MuJoCo等）相关的项目，说明你解决的具体问题和采用的技术方案
- 突出使用PyTorch/TensorFlow等框架进行模型训练和优化的实战经验，以及处理数据集的能力
- 系统复习机器人学基础知识，如运动学、动力学、任务规划（PDDL）等，弥补可能存在的知识短板
- 深入学习具身智能和多模态大模型（VLM）的最新论文和技术博客，了解行业前沿动态
面试指南
- 采用STAR原则（情境、任务、行动、结果）来结构化你的项目回答，重点突出你的思考过程和算法选择依据
- 对于开放性技术问题，先梳理整体技术框架（感知-决策-控制），再深入讨论你认为最核心或最有挑战性的模块
- 回答关于工具和仿真环境的问题时，不仅要说明会用，更要解释其设计原理、优缺点以及你从中获得的经验
- 请详细描述一个你使用强化学习或模仿学习解决实际问题的项目，遇到了哪些主要挑战？如何解决的？
- 对于‘将大模型应用于机械臂抓取’这个任务，你认为技术栈应该是怎样的？有哪些关键步骤和潜在难点？
- 你使用过哪些仿真环境（如Isaac Gym, MuJoCo）？在仿真环境中训练的策略，如何有效迁移到真实机器人上？
- PDDL（规划领域定义语言）和POMDP（部分可观测马尔可夫决策过程）在机器人任务规划中分别扮演什么角色？
- 重新梳理并深入理解你简历中提到的每一个算法项目，准备好被面试官追问技术细节
职位点评
薪资福利70
成长发展95
工作生活45
使命价值75
薪资福利
70中等
公司为已上市的跨国巨头，平台稳定且具备一定规模，通常能提供市场水准的薪酬福利。但职位描述未明确提及具体薪资范围和福利项。
薪资信号面议 (25K-45K/月)
成长发展
95较高
该职位聚焦于具身智能和工业机器人这一前沿交叉领域，技术挑战性强，且JD明确要求探索前沿算法并产出有影响力的工作，提供了极高的技术成长价值。
技术前沿前沿/新兴技术
技术栈具身智能、强化学习、模仿学习、LLM、VLM、Isaac Gym、MuJoCo
成长机会探索机器学习在具身智能领域应用，产出有影响力的工作
业务类型profit_center
工作生活
45较低
职位描述未提及任何办公模式、工作时间或弹性福利相关的信息，无法判断其工作生活平衡状况。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
将前沿AI技术应用于工业制造领域，推动自动化升级，具有一定的产业创新价值。行业（智能制造/机器人）处于增长阶段。
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