岗位职责
- AI 原生流程重构：基于第一性原理，运用大模型能力重新定义物流业务流程，而非在原有流程上叠加 AI 功能模块。深入物流履约全链路（仓配 / 即时履约 / 异常处置 / 商家物流服务等），识别适合通过大模型能力解决的关键环节，重新设计人机协同工作形态，明确碳基员工与硅基 Agent 的职责边界；
- Agent 架构设计与工作流编排：负责复杂任务的拆解逻辑（Planning）、记忆机制（Memory）、工具调用（Tool Use）设计，构建 AI Agent 或多 Agent 协作工作流。能与算法工程师就 RAG 检索策略、多轮上下文管理、工具调用顺序等议题进行深度对齐，主导从 MVP 到规模化的方案演进；
- 评估体系（Evals）建设：建立物流业务专属的 Benchmark 评测集（Golden Dataset），定义模型输出的质量标准。运用盲测、A/B 实验、强模型评弱模型等方法，量化驱动 Prompt 迭代或微调（Fine-tuning）方向，确保产品迭代能够带来可度量的改进，避免引入回归性问题；
- 数据闭环与反馈回路设计：设计 Feedback Loop，捕捉用户交互中的显性信号（点赞 / 采纳 / 修改）和隐性信号（停留时长 / 路径偏移），将其转化为模型迭代的数据资产，构建可持续优化的产品体系；
- 商业化与算力平衡：负责模型推理成本（Token 成本）、首字延迟（TTFT）、整体响应时延（Latency）与业务 ROI 的精算与平衡，在生成效果、用户体验、运营成本之间为不同场景找到合适的方案配置，推动 AI 产品在物流场景的提效价值落地；
- 组织能力沉淀与方法论建设：参与物流部 AI 案例知识库建设，将成功实践沉淀为标准化 SOP、Prompt 模板与可复用的 AI 中间件，推动 AI 工具使用能力从个体能力向组织能力转化。
职位要求
- 本科及以上学历，计算机、人工智能、数学、统计学、工业工程、物流管理等相关专业优先；
- 具备模型直觉：熟悉 LLM 基本原理（注意力机制、上下文窗口、幻觉成因等），能够基于业务需求判断合适的模型方案选型（小模型 vs 大模型 / RAG vs Fine-tuning / Prompt vs Workflow）；
- 具备 Prompt 架构能力：熟悉 Prompt Engineering，能够编写结构化、具备一定逻辑防御性的提示词，理解 RAG（检索增强生成）的应用场景与边界；
- 具备技术理解深度：不要求具备编码能力，但需要理解嵌入（Embedding）、向量数据库、Token 成本、TTFT、长短期记忆等概念，能够与算法工程师进行有效沟通；
- 基础数据能力：熟悉 SQL 或 Python，能够独立完成数据提取、分析与可视化，基于数据评估产品迭代效果。
