百度运筹优化算法工程师(LLM/Agent方向)（J96461）
任职要求
-学历背景：管理科学与工程、运筹学、应用数学、计算机、自动化、交通运输等相关专业硕士及以上学历 -运筹学基础：深刻理解数学规划理论（LP / IP / MILP / MINLP / NLP）；熟练掌握至少一种主流求解器（Gurobi / CPLEX / SCIP / COPT 等）及其API调用；熟悉常用启发式/元启发式算法（如模拟退火、遗传算法、禁忌搜索、ALNS、列生成、Benders分解等） -大模型能力…
工作职责
-核心运筹算法研发：深入理解业务场景（物流、航空、港口、工业制造等），针对调度、路径规划（VRP）、装箱、排班、选址等核心问题，设计并实现高性能的运筹优化算法 -大模型与Agent应用：探索 LLM 在运筹领域的应用边界，构建基于 LLM 的智能体（Agent）。利用大模型辅助数学建模、自动化生成求解代码、或通过启发式引导提升传统求解算法的效率 -工程落地与迭代：负责从问题定义、数学建模、算法设计到工程落地的全流程；持续跟踪生产环境效果，解决算法在实际场景中的性能瓶颈（如求解速度、可行性等） -前沿技术探索：跟进运筹学与深度学习（尤其是 LLM、RL）结合的前沿技术，推动“求解器 + 大模型”的技术融合
团队介绍：1、业务方向：自助业务希望建成中小商家的业务中台，电商广告、生服广告、Dou+等多条业务线，一站式解决商家问题，助力商家成长，提升商家数字化经营能力； 2、技术亮点：自助技术分为智能销售、客户增长、营销活动几个方向； 客户增长方向主要利用Uplift建模、因果推断、运筹优化算法、推荐算法等，通过对客户初期的行为习惯进行挖掘，探索更优的发券、选品、选素材等相关策略，提升拉新指标； 智能销售方向主要通过LLM-Agent的形式，利用sft、rl等算法优化广告领域的服务能力，提升对中小客户的教育、辅导、服务等能力，进而提升长期客户消耗； 营销活动方向主要服务商业化运营团队，辅助运营完成营销活动的创建与推广。 课题背景： 为了长期优化广告客户生态以及收入增长，商业化需要更大规模的做好客户拉新和客户在投放成长初期的留存，那么如何精准定位目标人群、如何更有效的利用激励手段促进客户增长、如何优化当前客户动作和投放手段，就是一个必须要长期优化的方向。 现在的增长方向主要靠传统机器学习的手段来决策激励的发放，但效果提升已经遇到瓶颈，需要探索基于RL的因果推断技术。另一方面，客户成长初期目前无法获得足够的服务与帮助，结合上广告投放本身有较高学习门槛，所以现在亟需依赖LLM技术，实现智能销售的愿景——包括智能客服、智能销售、智能投手三个阶段，最终达到全智能化的托管式服务。 课题挑战： 相比抖音C端流量数据，广告客户数据相对波动较大，观测周期长，有更多的不确定性； 大语言模型在广告领域的能力依然不足，具体表现在领域知识理解不足，大量专业工具（百量级）的使用效率不高，业务回复的可解释性不够强。为了达到人工销售的水平，需要探索RL、探索reward system、探索deep research的实现、探索业务向Benchmark的范式等等； 相比传统客服的问答式工作，还需要探索LLM在主动服务方向的开放命题。
团队介绍：1、业务方向：自助业务希望建成中小商家的业务中台，电商广告、生服广告、Dou+等多条业务线，一站式解决商家问题，助力商家成长，提升商家数字化经营能力；2、技术亮点：自助技术分为智能销售、客户增长、营销活动几个方向客户增长方向主要利用Uplift建模、因果推断、运筹优化算法、推荐算法等，通过对客户初期的行为习惯进行挖掘，探索更优的发券、选品、选素材等相关策略，提升拉新指标智能销售方向主要通过LLM-Agent的形式，利用sft、rl等算法优化广告领域的服务能力，提升对中小客户的教育、辅导、服务等能力，进而提升长期客户消耗营销活动方向主要服务商业化运营团队，辅助运营完成营销活动的创建与推广。 课题背景： 为了长期优化广告客户生态以及收入增长，商业化需要更大规模的做好客户拉新和客户在投放成长初期的留存，那么如何精准定位目标人群、如何更有效的利用激励手段促进客户增长、如何优化当前客户动作和投放手段，就是一个必须要长期优化的方向。 现在的增长方向主要靠传统机器学习的手段来决策激励的发放，但效果提升已经遇到瓶颈，需要探索基于RL的因果推断技术。另一方面，客户成长初期目前无法获得足够的服务与帮助，结合上广告投放本身有较高学习门槛，所以现在亟需依赖LLM技术，实现智能销售的愿景——包括智能客服、智能销售、智能投手三个阶段，最终达到全智能化的托管式服务。 课题挑战： 相比抖音C端流量数据，广告客户数据相对波动较大，观测周期长，有更多的不确定性；大语言模型在广告领域的能力依然不足，具体表现在领域知识理解不足，大量专业工具（百量级）的使用效率不高，业务回复的可解释性不够强。为了达到人工销售的水平，需要探索RL、探索reward system、探索deep research的实现、探索业务向Benchmark的范式等等；相比传统客服的问答式工作，还需要探索LLM在主动服务方向的开放命题。
-负责各类预测与优化算法在制造、供应链、物流、能源、交通等ToB行业场景的落地与效果优化 -设计并实现多类型预测算法，包括但不限于统计建模（ARIMA、Holt-Winters等）、机器学习（XGBoost、LSTM、Transformer等）、强化学习等，用于需求预测、产能预测、资源调度等核心场景 -研究并应用各类求解器与优化算法（线性规划、整数规划、约束优化、启发式算法等），解决复杂业务决策问题 -构建“预测-决策一体化”闭环系统，推动算法在产线排程、库存优化、运力分配、能源调度等业务中的落地 -跟进学术与业界前沿进展，探索LLM+Solver智能决策、Agent+强化学习等前沿方向并进行验证与落地
1、负责权益增量建模、权益推荐模型、优惠策略优化、权益最优化分配等核心算法的设计与实现，应用在营销场景（优惠/补贴发放、权益排序等）中提升用户留存转化、GMV及ROI； 2、结合业务场景，开发及优化权益增量Uplift、券领取核率预估、券引导GMV预估、权益补贴等模型，驱动营销活动精准化； 3、探索LLM、AI Agent、强化学习等前沿技术方向在营销领域的应用，通过copilot形式为业务同学提供智能服务，实现营销预算的算法全托管。