经验底线： 1-3年算法研发经验，有完整参与过落地的算法项目（具备大模型应用实战或传统机器学习预测项目经验者优先）。 技术基础扎实： 熟悉Transformer等主流深度学习模型架构，熟练使用PyTorch框架。 掌握LLM的基础微调手段（如LoRA、P-Tuning）及常见的部署加速工具（如vLLM）。 熟悉常见的机器学习算法（如XGBoost、LightGBM、Random Forest）及基础的时间序列分析方法，具备较强的数据敏感度。 编码与工程化： 具备良好的Python编码习惯，熟悉常用的数据结构与算法，能够编写规范、可读性强的工程代码，而非仅仅停留在Notebook调参。 业务理解力： 踏实肯干，愿意深入理解诸如Sell-In（渠道进货）、Sell-Out（终端销售）、DOS（库存水位）等供应链及零售核心指标，能够将业务需求转化为具体的数据处理逻辑。 加分项 计算机、数学、统计学等相关专业硕士学历。 有Kaggle等数据挖掘/预测类竞赛（Tabular/Forecasting）的获奖经历。 参与过知名开源大模型工具链项目（如LangChain, LlamaIndex），或在GitHub上有高星个人项目。

1. 核心准入条件 落地经验：具备 1-3 年 在企业真实业务场景（非学校实验室）中从事算法研发的工作经验。需提供具体的落地案例及业务收益数据。 学历背景：计算机、数学、统计学或相关专业本科及以上学历。 编程功底：精通 Python 或 C++，具备优秀的工程代码习惯。能够编写高性能、可维护的生产级代码，而非仅限于实验脚本。 2. 技术要求 (ML/DL) 算法基础：深入理解常用机器学习算法（XGBoost/LGBM、LR、SVM 等）及深度学习架构（CNN、RNN、Transformer 等）的适用场景与优缺点。 框架熟练度：熟练掌握 PyTorch 或 TensorFlow 其中之一；熟悉 Scikit-learn、Pandas、NumPy 等基础工具包。 工程化能力：熟悉常用的模型服务化框架（如 NVIDIA Triton, TorchServe 或 Flask/FastAPI 封装）；了解 Docker 容器化部署。 数据能力：精通 SQL，能够高效从海量数据库中提取、清洗并构建特征。熟悉 Spark/Flink 等大数据处理框架者优先。 3. 加分项 具备大规模分布式训练经验或推荐系统、广告搜索等高并发场景落地经验。 在模型推理加速（如 TensorRT、TVM）方面有深入研究和实践。 对前沿技术（如 大模型微调、强化学习落地）有实际企业项目经验。 4. 软素质 业务洞察：能够跳出算法看业务，理解算法对业务价值的贡献点。 解决问题能力：具备极强的调试（Debugging）能力，能独立排查训练过程中的收敛问题或生产环境的异常波动。