主分类：搜索推荐与业务决策算法研发
辅助：大模型与生成式算法研发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "【北斗实习】智能决策算法研究员-配送时间方向",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "未披露",
"location": "北京市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "海内外高校在校本科生（大三及以上）、硕士生及博士生",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【课题说明】\n外卖配送已经成为极大便利当代人生活的新基建，配送时间是精准匹配用户需求和履约能力的关键系统决策变量。\n传统的时间建模主要依赖“时空特征+深度回归”，虽能拟合历史规律，但在处理复杂因果关系、长尾小样本场景及系统级序贯优化时仍存在瓶颈。本项目旨在利用生成式大模型（LLM）的常识推理、多步规划与强大的表征性质，重构新一代时空决策框架。我们试图打破传统判别式模型的上限，通过“LLM + Decision Science”的深度融合，定义即时配送领域的技术新边界，为客户带来更好的服务体验。\n【建议研究方向】\n1. 知识迁移与新一代时空基础模型：利用 LLM 的预训练知识与元学习（Meta-learning）能力，设计适配时序与图数据的新一代时空表征架构。探索从“任务特定模型”向“时空通用基础模型”的转变，提升系统在复杂多变环境下的泛化精度，重点优化长尾小场景的建模精度\n2. 多商家选择视角的用户需求因果建模：研究如何将LLM的全局规划能力与因果推断（Causal Inference）深度融合。在多商家选择竞争下，利用LLM 辅助识别用户对时间的真实需求，构建反事实推理模型，实现有限资源下的用户需求与履约供给的最优匹配决策。\n3. 基于 LLM-Agent 的系统级序贯规划：将配送时间决策建模为动态流水线中的时延分配（Deadline Assignment）问题。研究如何利用LLM 与强化学习（RL）构建具备自我演进能力的决策 Agent，在海量动态订单流中执行跨时段、跨区域的复杂规划，通过序贯决策寻找系统最佳承载量的最优解。\n我们将提供海量的真实业务场景数据、充足的计算资源、极高的探索自由度和1对1专家指导，目标是产出既有创新深度又能创造业务价值的新一代智能决策技术范式。",
"requirements_text": "海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。",
"skills": [AI生成
"强化学习",
"建模",
"大语言模型"
],
"preferred_qualifications": "未披露",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4177318569&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4177318569",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4177318569&jobShareType=1"
},
"fulltext": "【北斗实习】智能决策算法研究员-配送时间方向\n【北斗实习】智能决策算法研究员-配送时间方向\n\n基础信息\n工作地点：北京市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-02-06\n\n岗位职责\n【课题说明】\n外卖配送已经成为极大便利当代人生活的新基建，配送时间是精准匹配用户需求和履约能力的关键系统决策变量。\n传统的时间建模主要依赖“时空特征+深度回归”，虽能拟合历史规律，但在处理复杂因果关系、长尾小样本场景及系统级序贯优化时仍存在瓶颈。本项目旨在利用生成式大模型（LLM）的常识推理、多步规划与强大的表征性质，重构新一代时空决策框架。我们试图打破传统判别式模型的上限，通过“LLM + Decision Science”的深度融合，定义即时配送领域的技术新边界，为客户带来更好的服务体验。\n【建议研究方向】\n1. 知识迁移与新一代时空基础模型：利用 LLM 的预训练知识与元学习（Meta-learning）能力，设计适配时序与图数据的新一代时空表征架构。探索从“任务特定模型”向“时空通用基础模型”的转变，提升系统在复杂多变环境下的泛化精度，重点优化长尾小场景的建模精度\n2. 多商家选择视角的用户需求因果建模：研究如何将LLM的全局规划能力与因果推断（Causal Inference）深度融合。在多商家选择竞争下，利用LLM 辅助识别用户对时间的真实需求，构建反事实推理模型，实现有限资源下的用户需求与履约供给的最优匹配决策。\n3. 基于 LLM-Agent 的系统级序贯规划：将配送时间决策建模为动态流水线中的时延分配（Deadline Assignment）问题。研究如何利用LLM 与强化学习（RL）构建具备自我演进能力的决策 Agent，在海量动态订单流中执行跨时段、跨区域的复杂规划，通过序贯决策寻找系统最佳承载量的最优解。\n我们将提供海量的真实业务场景数据、充足的计算资源、极高的探索自由度和1对1专家指导，目标是产出既有创新深度又能创造业务价值的新一代智能决策技术范式。\n\n岗位基本要求\n海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。\n【课题说明】\n外卖配送已经成为极大便利当代人生活的新基建，配送时间是精准匹配用户需求和履约能力的关键系统决策变量。\n传统的时间建模主要依赖“时空特征+深度回归”，虽能拟合历史规律，但在处理复杂因果关系、长尾小样本场景及系统级序贯优化时仍存在瓶颈。本项目旨在利用生成式大模型（LLM）的常识推理、多步规划与强大的表征性质，重构新一代时空决策框架。我们试图打破传统判别式模型的上限，通过“LLM + Decision Science”的深度融合，定义即时配送领域的技术新边界，为客户带来更好的服务体验。\n【建议研究方向】\n1. 知识迁移与新一代时空基础模型：利用 LLM 的预训练知识与元学习（Meta-learning）能力，设计适配时序与图数据的新一代时空表征架构。探索从“任务特定模型”向“时空通用基础模型”的转变，提升系统在复杂多变环境下的泛化精度，重点优化长尾小场景的建模精度\n2. 多商家选择视角的用户需求因果建模：研究如何将LLM的全局规划能力与因果推断（Causal Inference）深度融合。在多商家选择竞争下，利用LLM 辅助识别用户对时间的真实需求，构建反事实推理模型，实现有限资源下的用户需求与履约供给的最优匹配决策。\n3. 基于 LLM-Agent 的系统级序贯规划：将配送时间决策建模为动态流水线中的时延分配（Deadline Assignment）问题。研究如何利用LLM 与强化学习（RL）构建具备自我演进能力的决策 Agent，在海量动态订单流中执行跨时段、跨区域的复杂规划，通过序贯决策寻找系统最佳承载量的最优解。\n我们将提供海量的真实业务场景数据、充足的计算资源、极高的探索自由度和1对1专家指导，目标是产出既有创新深度又能创造业务价值的新一代智能决策技术范式。\n海内外高校在校本科生（大三及以上）、硕士生及博士生，且以下条件至少满足一项：\n1.超级学霸：专业成绩排名前1%。\n2.学术达人：在顶级期刊或学术会议上以第一作者身份发表论文（或导师一作，自己为二作）。\n3.竞赛大神：在顶级大赛上获奖。\n4.工程高手：有大厂实验室的实习经验，或有贡献突出的开源项目。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T010"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}