算法工程师-生成式排序

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1、本科及以上学历，计算机、软件工程、人工智能、数学等相关专业；
2、熟练掌握 Java/C++/Python 至少一门语言；熟悉 TensorFlow 或 PyTorch 等主流深度学习框架之一；
3、扎实的机器学习与深度学习基础，理解常见算法原理；了解LLM基本原理与典型应用场景，具备LLM相关开发实践能力，包括但不限于：模型优化、Prompt工程、检索增强（RAG）、SFT微调等；
4、逻辑清晰、学习能力强，对新技术保持好奇并主动跟进前沿方向，能快速适应变化与新环境；
5、良好的数学基础与英语阅读能力；具备团队协作意识与合作经验；
6、对电商业务有基本认知，愿意深入理解用户需求与商业逻辑。
【加分项】
1、有推荐系统/搜索排序/机器学习/数据挖掘/计算机视觉等相关研究或项目实践经验；
2、有顶级会议论文发表经历，或有大模型微调与落地应用经验；
3、具备相关算法竞赛经历并获得奖项者优先。

岗位描述

1、研究大语言模型（LLM）在电商场景下对CTR/CVR预估与个性化排序的赋能路径，结合多模态增强、CoT推理等能力提升现有排序系统效果，实现更精准的人货匹配；
2、探索个性化生成式预估模型方案，包括生成式模型与判别式模型在搜索推荐场景下的效果与收益对比、生成式训练范式设计、模型结构优化，以及基于强化学习（RL）的排序目标对齐等方向；
3、研究判别式/生成式预估模型的高效Scaling方案，包括更高性价比的模型设计、训练加速与效率优化、线上部署与链路优化、计算复杂度与成本优化，推动先进技术在业务中的规模化落地；
4、探索基于Multi-Agent的商业化多目标系统的设计，完成在线可解释、白盒化的最优化。
1、本科及以上学历，计算机、软件工程、人工智能、数学等相关专业；
2、熟练掌握 Java/C++/Python 至少一门语言；熟悉 TensorFlow 或 PyTorch 等主流深度学习框架之一；
3、扎实的机器学习与深度学习基础，理解常见算法原理；了解LLM基本原理与典型应用场景，具备LLM相关开发实践能力，包括但不限于：模型优化、Prompt工程、检索增强（RAG）、SFT微调等；
4、逻辑清晰、学习能力强，对新技术保持好奇并主动跟进前沿方向，能快速适应变化与新环境；
5、良好的数学基础与英语阅读能力；具备团队协作意识与合作经验；
6、对电商业务有基本认知，愿意深入理解用户需求与商业逻辑。

【加分项】

1、有推荐系统/搜索排序/机器学习/数据挖掘/计算机视觉等相关研究或项目实践经验；
2、有顶级会议论文发表经历，或有大模型微调与落地应用经验；
3、具备相关算法竞赛经历并获得奖项者优先。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →