字节跳动
大模型搜索算法工程师/专家-电商
大模型搜索算法工程师/专家-电商
发布于 大约 18 小时前普通员工/个人贡献者
北京市
高级经验
全职员工
仅现场办公
本科
机器学习
深度学习
NLP
强化学习
LLM
多模态
搜索算法
大模型
AI 估算 · 30k–60k
大厂核心算法岗位，大模型方向稀缺，薪资水平较高，考虑行业竞争力和技能难度。
职位详情
关于这个职位
该职位负责大模型与搜索算法的结合，包括LLM、多模态等技术在电商搜索中的应用，涉及全链路模型优化、数据建设、AIGC创新产品研发
适合有NLP/大模型/搜索算法背景的工程师，挑战大但成长空间广阔
最低要求
本科及以上学历，计算机、电子、数学等相关专业
在搜索、推荐、搜广推、自然语言处理NLP、自然语言理解NLU、LLM、MLLM、多模态、机器学习、深度学习等一个或多个领域有较深入的研究者优先
熟悉大模型预训练、Post-Training、SFT、RLHF、RL者优先
熟悉Linux开发环境，熟练使用C++和Python语言
具有良好的问题分析解决能力，沟通协作能力，工作积极主动，能够与团队融洽合作，一起探索新技术，推进技术进步
工作职责
探索搜索引擎与大模型、LLM、MLLM、多模态、机器学习、强化学习等前沿技术的结合，实现搜索引擎全链路革新并进行极致的系统优化，探索提升AI搜索引擎的能力，包含而不限于相关性、权威性、时效性、意图理解能力等
探索LLM适性索引、LLM相关性、生成式召回、排序大模型等
构建大规模高质量数据（数据建设、数据抓取与解析、数据合成等）、训练和优化AI搜索的机器学习模型（多模态内容理解、指令微调、索引筛选、Query分析、Scalable Oversight、Long CoT、模型推理/规划、模型优化、构建全面客观准确的评测体系等）
探索推进AI搜索、AIGC创新应用的落地（包含而不限于豆包、电商、抖音、智能硬件、AI找搭配/虚拟穿搭等大模型应用场景），研发以人工智能技术为核心的新技术、新产品，探索满足用户的智能交互需求，提升现实与物理世界的交互能力
优先资格
具有优秀的基础算法、扎实的机器学习/深度学习基础，熟悉NLP、RL、ML等领域的技术，在ICML、ACL、COML、EMNLP、CVPR、ECCV、ICCV、NeurIPS、ICLR、SIGGRAPH或SIGGRAPH Asia等顶级会议/期刊上发表论文者优先
具有优秀的代码能力，熟练掌握C/C++或Python编程语言，ACM/ICPC、NOI/IOl、Top Coder、Kaggle等比赛获奖者优先
在LLM、多模态、大模型、基础模型、世界模型、RL等领域，主导过大影响力项目者优先
具有大规模搜索引擎、推荐系统、分布式系统、计算广告、超大规模数据计算等相关经验者优先
AI 洞察
优缺点分析
优点
- 顶级大厂平台，接触海量数据和真实业务场景，技术成长快
- 聚焦最前沿的大模型和AI技术，竞争力和行业认可度高
- 团队技术氛围浓厚，有发表顶会论文和参与开源项目的机会
- 技术迭代快，需要持续学习最新研究成果和工程实践
- 北京生活成本高，且互联网公司工作强度较大
- 适合对AI前沿技术有强烈热情，具备扎实算法基础，愿意在搜索和大模型领域深耕的工程师
缺点 / 挑战
- 业务目标导向，可能面临较大的项目压力和交付周期
角色解读
- 从算法工程师向技术专家或团队负责人发展，主导搜索与大模型融合项目
- 可深入多模态、强化学习等方向，成为AI领域资深研究员
- 在字节跳动内部有跨业务轮岗机会，拓宽技术广度
- 负责大模型与搜索算法的结合，探索LLM、多模态在电商搜索中的全链路应用
- 构建大规模高质量数据集，训练并优化AI搜索模型，如相关性、意图理解等
- 推动AI搜索及AIGC创新产品落地，如豆包、电商搜索等场景
- 精通深度学习、NLP、LLM、多模态等前沿技术
- 熟练使用C++和Python，熟悉Linux开发环境
- 了解大模型训练流程（预训练、SFT、RLHF等）及大规模分布式系统
申请策略
- 了解字节跳动搜索技术和电商业务，在面试中展现对业务的理解
- 准备一两个深入的技术案例，能清晰阐述技术难点和解决方案
- 突出大模型、多模态或搜索相关的项目经验，包括训练、优化和落地
- 强调顶会论文、竞赛获奖或开源贡献，展示技术深度
- 量化成果，如模型效果提升、系统性能优化等
- 系统学习LLM技术栈，包括Transformer、Prompt工程、Fine-tuning等
- 熟悉分布式训练框架（如DeepSpeed、Megatron）和搜索引擎原理
面试指南
- STAR法则：情境、任务、行动、结果
- 先描述背景，再讲具体技术方案，最后量化效果
- 从问题定义出发，比较不同方法的优劣，再说明选择的理由和改进思路
- 请详细讲解一个你参与的大模型训练或优化项目
- 如何设计一个电商搜索的召回和排序模型？结合大模型如何改进？
- 谈谈你对LLM在搜索中应用的理解，包括优势和挑战
- 在多模态搜索中，如何融合文本和图像特征？
- 复习经典论文和最新进展，如BERT、GPT系列、多模态模型
匹配度报告
78
综合匹配度
大厂核心算法岗，前沿技术栈，薪资竞争力强，但WLB一般。
适合人群
适合追求技术成长和职业发展，愿意投入高强度工作以换取前沿算法经验的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展95
工作生活50
使命价值85
薪资福利匹配
80较高
大厂核心算法岗位薪资水平高，但JD未明确薪资和福利细节，整体吸引力较强。
薪资信号未披露（AI估算：30K-60K/月）
成长发展匹配
95较高
聚焦最前沿的大模型和搜索技术，有丰富的技术挑战和成长机会，发展空间极大。
技术前沿前沿/新兴技术
技术栈LLM、MLLM、多模态、强化学习、深度学习、搜索算法
业务类型profit_center
工作生活匹配
50较低
仅现场办公，北京工作，JD未提及弹性工作或WLB，大厂通常工作强度较大。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
85较高
电商搜索结合大模型是高速增长赛道，技术创新驱动业务，有一定社会影响力。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs