算法工程师-运筹优化

杭州/上海 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 具备深厚的数学功底，精通建模与系统思维，能从全局视角拆解复杂问题，平衡局部与全局最优力；
2. 编程功底扎实，精通 Python (NumPy/Pandas/Scipy)，熟悉 C++/Java/Julia 等至少一门高性能语言；
3. 学习能力强，能追踪 OR-LLM 融合、混合推理机制、因果推理等交叉领域的前沿技术；
4. 具备良好的跨域跨团队沟通能力，能将模糊的需求转化为严谨的技术方案。
【加分项】
1. 在国际顶级会议（如 NeurIPS, ICML, AAAI, KDD 等）或者顶刊发表过高质量论文，研究方向涉及大模型增强优化、智能体协同或在线自适应优化者优先；
2. 积极参与国内外知名OR或AI开源项目（如开发算法库、贡献Agent框架代码等），具有一定的行业技术影响力者优先；
3. 有过运用运筹优化技术解决实际问题项目经验的优先；在能源调度、智能制造、智慧大交通等复杂动态场景有积累者优先。

岗位描述

1. 负责运筹优化／多智能体协同方向的算法研究和开发，包括但不限于组合优化，混合整数优化，决策与复杂系统建模，高性能求解软件研发，高性能数值代数方法和实现等；
2. 负责将优化技术和大模型（LLM/Agents）、强化学习（RL）等技术有效结合，并应用于电商、金融、大交通、云计算等领域中的优化与调度场景；
3. 推动“预测-优化一体化”方案落地，利用数据驱动思维验证模型假设，并提升决策方案的可解释性与鲁棒性。
1. 具备深厚的数学功底，精通建模与系统思维，能从全局视角拆解复杂问题，平衡局部与全局最优力；
2. 编程功底扎实，精通 Python (NumPy/Pandas/Scipy)，熟悉 C++/Java/Julia 等至少一门高性能语言；
3. 学习能力强，能追踪 OR-LLM 融合、混合推理机制、因果推理等交叉领域的前沿技术；
4. 具备良好的跨域跨团队沟通能力，能将模糊的需求转化为严谨的技术方案。

【加分项】

1. 在国际顶级会议（如 NeurIPS, ICML, AAAI, KDD 等）或者顶刊发表过高质量论文，研究方向涉及大模型增强优化、智能体协同或在线自适应优化者优先；
2. 积极参与国内外知名OR或AI开源项目（如开发算法库、贡献Agent框架代码等），具有一定的行业技术影响力者优先；
3. 有过运用运筹优化技术解决实际问题项目经验的优先；在能源调度、智能制造、智慧大交通等复杂动态场景有积累者优先。

你的简历匹配这个岗位吗？

上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方

登录后分析我的简历

该岗位可能会问的问题

基于算法岗位的常见面试问题整理

请解释 Transformer 模型的自注意力机制（Self-Attention）

类型专业能力·难度困难

查看答题思路

1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖

你做过的最有深度的算法/模型项目是什么

类型项目经历·难度中等

查看答题思路

1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）

过拟合是什么？怎么判断和解决

类型专业能力·难度简单

查看答题思路

1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度

解释梯度下降的原理，SGD 和 Adam 的区别

类型专业能力·难度中等

查看答题思路

1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam

给你 10 万条未标注的文本数据，如何找出其中 10 个主题

类型情景/案例·难度中等

查看答题思路

1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整

更多面试题库功能即将上线

信息来源：企业官方招聘页。投递前请以官网信息为准。

前往官方投递页 →