阿里巴巴
校招国际智能供应链与物流 AI Agent-阿里星/BravoStar
杭州 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1、背景与学术： 人工智能、深度学习、强化学习、运筹学或相关专业全球顶尖高校（C9/985/QS Top50）硕博毕业生。在 NeurIPS, ICML, ICLR, KDD 等顶会发表过高质量论文或拥有核心应用专利者优先；
- 2、技术深度： 精通 Java/C++/Python 等编程语言；在 LLM 微调落地、Agent 应用设计、多模态理解、强化学习（RL）或运筹优化（OR）领域具备深厚的理论功底与丰富的产研结合经验；
- 3、全局视野与综合素质： 具备极强的系统抽象能力，能将复杂的全球商业与供应链逻辑转化为严谨的数学或算法模型，极度关注算法的实际业务产出。自我驱动强，皮实自省，勇于面对全球化的高难度挑战，善于跨域协同推动落地。
岗位描述
阿里国际数字商业集团智能供应链物流和定价算法团队专注于海外零售经营的建设与优化，支持覆盖全球的千亿级零售行业。团队运用大模型、运筹优化、深度学习、强化学习、仿真等算法技术，解决需求洞察、价格损益、库存供给、供应链物流成本优化、履约体验等商业现实问题，重塑海外零售体系，创造社会价值。多年来团队紧跟工业界和学术界前沿，带来业务快速增长同时发表⾼⽔平学术论⽂20余篇（如AAAI、KDD、MS等），获得专利10余项。
- 1、全链路算法攻坚与运筹求解： 主导 AI 与库存、物流、预测全链路结合的核心算法突破。针对配舱、分单、定仓等复杂网络问题，设计高效启发式或精确求解算法，实现成本与时效的极致平衡；
- 2、业务闭环与极致效能： 将顶尖算法转化为真实的商业结果（降本增效、降低缺货率），引领团队技术方向，构筑基于产研深度结合的技术护城河；
- 3、旨在构建专注于国际智能供应链与物流的 AI Agent。依托前沿的多模态大模型、强化学习与运筹优化算法，我们将彻底打通物理属性认知与端到端物流决策链路。以此应对高不确定性环境，极致压缩单均履约成本，提升现货率并提供确定性的交付承诺，推动国际电商供应链向高效、智能与韧性的全面升级。
- 1、背景与学术： 人工智能、深度学习、强化学习、运筹学或相关专业全球顶尖高校（C9/985/QS Top50）硕博毕业生。在 NeurIPS, ICML, ICLR, KDD 等顶会发表过高质量论文或拥有核心应用专利者优先；
- 2、技术深度： 精通 Java/C++/Python 等编程语言；在 LLM 微调落地、Agent 应用设计、多模态理解、强化学习（RL）或运筹优化（OR）领域具备深厚的理论功底与丰富的产研结合经验；
- 3、全局视野与综合素质： 具备极强的系统抽象能力，能将复杂的全球商业与供应链逻辑转化为严谨的数学或算法模型，极度关注算法的实际业务产出。自我驱动强，皮实自省，勇于面对全球化的高难度挑战，善于跨域协同推动落地。
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
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）
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
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
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
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
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。