AI搜索算法工程师-搜索广告

优缺点分析

角色解读

• 技术方向：从算法工程师晋升为技术专家，主导搜索核心算法架构设计
• 管理方向：可发展为技术主管或经理，带领团队探索前沿技术
• 业务方向：深入理解搜索广告业务，转型为产品与技术复合型人才
• 设计和优化搜索算法，将大语言模型（LLM）整合到搜索系统中，提升搜索的理解和决策能力
• 构建大规模训练数据，进行LLM的Post-training（SFT/RLHF/DPO等），并优化推理降低延迟
• 开发Query改写、意图识别、RAG检索排序等模块，提升搜索结果质量和用户体验
• 熟练掌握C/C++或Python，具备扎实的算法和数据结构基础，有竞赛获奖经验者优先
• 深入理解LLM训练和部署技术，包括RAG、SFT、RLHF、蒸馏等，有实际项目经验
• 具备AI搜索相关经验，能深入分析和解决LLM应用中的问题
• 良好的沟通协作能力，能与团队高效合作推动技术落地

申请策略

• 了解字节跳动搜索广告业务和现有技术栈，在面试中体现对业务的理解
• 准备好系统设计面试，关注大规模搜索系统的架构设计
• 突出LLM相关项目经历，特别是SFT/RLHF/RAG的实际落地经验
• 强调竞赛获奖（如ACM、Kaggle）和开源贡献，证明算法能力
• 展示搜索或推荐系统相关工作经验，以及性能优化案例
• 如有发表论文或专利，列出以体现研究深度
• 补充多模态LLM训练和推理优化知识，如vLLM、TensorRT等
• 深入学习搜索排序算法（如Learning to Rank）和RAG技术

面试指南

• STAR法则：情境(Situation)-任务(Task)-行动(Action)-结果(Result)，清晰展示项目贡献
• 技术方案对比：从多个方案中分析优缺点，并给出选择理由
• 系统性思考：不仅关注单点技术，还要考虑整体架构和业务影响
• 请详细介绍一下你参与过的LLM训练项目，包括数据构建、训练策略和效果评估
• 如何优化RAG系统的检索质量？请举例说明
• LLM在搜索场景中面临哪些挑战？如何解决幻觉问题？
• 谈谈你对Query改写和意图识别的理解，并设计一个方案
• 给定一个高并发搜索系统，如何降低LLM推理延迟？