美团
Keeta技术-AI配送算法工程师
Keeta技术-AI配送算法工程师
发布于 大约 14 小时前普通员工/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
机器学习
深度学习
强化学习
LLM
路径规划
AutoML
运筹优化
即时配送
AI 估算 · 30k–50k
美团北京AI算法岗，中级要求，市场竞争激烈，薪资对标一线互联网大厂，技术难度高，前景好。
职位详情
关于这个职位
该职位是美团Keeta业务下的AI配送算法工程师，负责实时调度优化、归因体系建设、AutoResearch能力开发等前沿AI算法工作
你将利用机器学习、强化学习、LLM等技术优化即时配送体验和效率，并与顶级算法团队合作，有机会在KDD等顶会发表成果
适合有扎实编程和机器学习背景、热爱技术创新、希望在AI+物流领域深耕的候选人
最低要求
计算机、工业工程、自动化、应用数学、人工智能等相关专业
扎实的编程能力与AI Coding实践，熟练使用Python/Java等语言，熟悉常用数据结构和算法，熟练使用Hive、Spark等大数据工具
有利用AI辅助编程工具（Copilot、Cursor、Claude Code等）提升研发效率的实践经验
在机器学习或数据挖掘或运筹优化方向有深入理解与落地经验，在广告推荐、需求预估、强化学习等方面有实践经验
熟悉LLM应用开发（Prompt Engineering、RAG、Agent等）者优先
AI归因能力：熟悉LLM Agent开发，有基于Agent构建数据分析、归因分析或自动化诊断系统的经验，能设计多Agent协作完成复杂归因任务
AutoResearch能力：了解自动化机器学习（AutoML）、自动化实验设计等研究方向，有搭建自动化研究pipeline或AI辅助科研工具的经验者优先
优秀的分析及解决问题的能力，在复杂业务场景策略优化方面具备2-3年经验
能够深入思考、勇于创新，具有优秀的业务理解、目标制定能力，以及较强的跨团队沟通和协调能力
具备创业精神和创业心态，不自设边界，能够快速学习，广泛支撑业务
工作职责
AutoResearch能力建设：推动算法研究流程的自动化与智能化，探索AutoResearch框架，实现从数据探索、特征发现、模型选型、超参搜索到实验评估的全链路自动化
利用LLM辅助文献调研与技术方案生成，加速从研究假设到实验验证的迭代周期，提升团队算法创新效率
探索AI Agent驱动的自动实验设计与模型迭代范式
实时调度优化：负责Keeta实时调度系统中关键模型的建模与优化，针对即时配送实时调度问题存在的多目标、不确定性、动态性与超大规模等特点，综合使用机器学习、深度学习、强化学习、因果推断等技术手段进行多场景联合优化，持续创新迭代，提升人单匹配决策质量
建模方向包括但不限于：ETA预估、路径规划和时间预估、供需预测、转化预估、订单难度及接单意愿刻画、定价、骑手活动优化等
归因体系建设：基于LLM Agent构建智能归因分析框架，设计多Agent协作的归因分析链路，通过Agent自主调度数据查询、指标拆解、异常定位、因子分析等环节，实现对业务指标变化的自动化归因与根因定位
将LLM的分析推理能力与业务数据体系深度结合，驱动业务决策从"经验判断"升级为"AI智能归因"
AI Coding与工程效能提升：运用AI Coding工具（如Copilot、Cursor、Claude Code等）提升算法工程化效率，推动团队AI辅助编程实践
将大模型能力融入特征工程、模型训练、评测分析等日常开发流程，建设智能化算法开发工具链，实现代码生成、自动化测试、模型调试等环节的AI提效
探索并落地LLM辅助的算法代码审查与优化建议系统
颠覆式创新：针对即时配送领域特点，颠覆创新传统供应链物流技术体系，探索即时配送履约新模式，结合AI前沿技术（如多智能体协同、世界模型等）提升降本增效天花板
AI 洞察
优缺点分析
优点
- 团队汇聚运筹优化和机器学习大牛，有顶级会议论文和Franz Edelman奖入围经历，学习氛围浓厚
- 工作内容涉及AI前沿技术（LLM、Agent、AutoML等），技能积累具有高迁移性
- 技术要求全面，需掌握多领域知识（运筹、ML、LLM、工程化），学习曲线陡峭
- 作为核心业务，工作节奏可能较快，需要较强的抗压能力和自驱力
- 适合技术功底扎实、热爱算法创新、希望在工业界深度优化复杂系统并追求技术影响力的求职者
缺点 / 挑战
- 美团核心业务，算法场景复杂且数据量巨大，技术挑战高，成长空间大
- 即时配送业务对算法实时性和鲁棒性要求高，可能面临高强度迭代和优化压力
角色解读
- 纵向深耕AI+物流调度领域，成为运筹优化与机器学习交叉方向的专家
- 横向拓展至其他AI创新方向，如AutoResearch、AI Agent、世界模型等，参与颠覆式技术创新
- 团队鼓励论文发表和专利申请，未来可向技术leader或首席科学家发展
- 负责AutoResearch能力建设，推动算法研究流程自动化，利用LLM辅助文献调研和实验设计
- 负责实时调度优化，使用机器学习、强化学习等技术优化人单匹配、路径规划等核心算法
- 基于LLM Agent构建智能归因分析框架，实现业务指标变化的自动化诊断与根因定位
- 探索AI Coding与工程效能提升，将大模型融入日常开发流程，建设智能化算法开发工具链
- 扎实的编程能力，熟练使用Python/Java及Hive/Spark等大数据工具，有AI辅助编程实践经验
- 深入理解机器学习、数据挖掘或运筹优化，有广告推荐、需求预估或强化学习落地经验
- 熟悉LLM应用开发，包括Prompt Engineering、RAG、Agent等，具备Agent开发经验
- 了解AutoML和自动化实验设计，具备搭建自动化研究pipeline的能力
申请策略
- 关注美团在即时配送领域的技术博客和公开论文，面试时展现对业务痛点的理解
- 准备1-2个完整的算法项目案例，详细描述从问题定义到效果评估的全流程
- 突出机器学习/运筹优化项目经验，尤其是即时配送、路径规划、供需预测等场景的落地案例
- 强调LLM应用开发经验，如Agent、RAG、Prompt Engineering等，展示技术前瞻性
- 体现编程和工程化能力，包括AI Coding工具使用、大数据处理、系统架构设计等
- 补充运筹优化基础知识，如线性规划、动态规划、强化学习中的MDP建模等
- 实践LLM Agent开发，学习LangChain、AutoGPT等框架，掌握多Agent协作模式
面试指南
- 使用STAR法则：情境、任务、行动、结果，清晰展示项目背景、个人贡献和量化效果
- 对于开放性问题，先分析问题本质，然后提出多种可能方案，最后对比优劣并选最优
- 请描述一个你使用强化学习解决实际问题的案例，包括状态空间、动作、奖励设计等
- 如何设计一个LLM Agent来自动分析快递配送效率下降的原因？
- 在实时调度场景中，如何平衡算法效果和计算延迟？
- 你如何看待AutoResearch在工业界的应用前景？请举例说明
- 请解释你如何利用AI Coding工具提升团队开发效率，有什么具体实践？
- 复习机器学习基础（LR、GBDT、DNN），并熟练掌握强化学习中的Q-learning、Policy Gradient等算法
匹配度报告
71
综合匹配度
大厂核心算法岗，前沿AI技术栈，发展空间大，但现场办公且工作强度可能较高。
适合人群
适合追求技术前沿和快速成长的求职者，对WLB和弹性办公要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展92
工作生活50
使命价值72
薪资福利匹配
70中等
职位未披露具体薪资，但作为美团核心业务算法岗，薪资预计处于互联网大厂中上水平，但福利未在JD中明确，补偿性一般。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
92较高
职位涉及AI前沿技术（LLM、Agent、AutoML），团队有顶级学术成果，提供广阔技术成长空间和发展路径，发展性极强。
技术前沿前沿/新兴技术
技术栈Python、机器学习、深度学习、强化学习、LLM、Agent、AutoML、运筹优化
成长机会团队近年已有成果发表在KDD/CIKM等顶会、技术影响力：团队鼓励技术创新与开源贡献，支持论文发表与专利申请
业务类型profit_center
工作生活匹配
50较低
职位为仅现场办公，位于北京，未提及远程或弹性工作，互联网大厂通常工作节奏较快，生活方式得分适中偏低。
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）
使命价值匹配
72中等
美团即时配送业务具有社会价值，但JD未明确强调使命，更多聚焦技术本身，意义感中等偏上。
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