字节跳动
达人增长算法工程师-国际电商
达人增长算法工程师-国际电商
发布于 大约 9 小时前普通员工/个人贡献者
上海市
高级经验
全职员工
仅现场办公
学历未注明
机器学习
LLM
因果推断
推荐系统
后训练
Hive SQL
Uplift建模
AI 估算 · 35k–65k
高级算法工程师岗位，技术栈前沿，字节跳动大厂薪资竞争力强，月薪中位数约50k，16薪。
职位详情
关于这个职位
作为字节跳动国际电商的达人增长算法工程师，你将利用机器学习、因果推断和LLM技术，构建达人分级与智能补贴体系，优化达人全生命周期管理
通过Agent框架实现选品、创作等流程自动化，推动达人健康增长
适合对推荐系统、因果推断和LLM落地有热情的算法工程师
最低要求
熟悉常用的算法模型，对模型调优有一定实践经验
了解因果推断主流方法及Uplift建模
对反事实推断，Uplift建模等方向有过实践经验
或对推荐系统召回/排序/多样性/冷启动中一个或多个方向了解业界经典的模型和方法
对LLM相关知识有一定了解，理解大模型核心技术（模型结构、数据构成、训练Recipe等），包括但不限于后训练、RAG、Agent框架建设等
熟悉至少一门编程语言（C++/Java/Python），熟悉至少一种大数据计算工具（Hive SQL/Spark/Mapreduce），熟悉Linux开发环境
善于沟通，良好的团队合作精神
对新技术充满好奇，能够持续学习
工作职责
负责达人分级体系建设，通过潜力建模、LTV预估及达人画像体系，推动达人精细化运营
建设智能补贴算法流程，结合流量、折扣券、现金等不同形式对达人进行行为活跃度激励，提升达人短期行为积极性与表现，提升长期价值增长
负责达人诊断框架建设，结合因果推断进行因子挖掘、排序及方案关联，持续引导达人健康迅速成长
围绕达人全生命周期构建智能Agent，通过后训练、Agent框架搭建，完善Agent多轮对话、场景遵循、工具调用等核心能力，实现选品、创作等核心流程自动化决策和反馈，提升达人成长体验
优先资格
有个性化推荐、广告、搜索等相关领域的项目经验
有图网络、组合优化方向技术知识积累或项目经验
具备LLM相关PCT、Agent项目落地经验，在至少一个能力方向（如指令遵从、推理、工具调用、RAG等）有深入认知
具备SFT、DPO、RLHF、RLVR等后训练经验者优先
在KDD、NeurIPS、WWW、SIGIR、WSDM、CIKM、ICLR、ICML、IJCAI、AAAI、RecSys等会议发表过论文
有过数据挖掘/机器学习或ACM-ICPC/NOI/IOI相关的竞赛经历并取得优秀成绩
有高关注度的机器学习相关博客或GitHub项目
AI 洞察
优缺点分析
优点
- 使用最前沿的因果推断和LLM技术，个人技能快速提升
- 字节跳动平台资源丰富，数据量大，算法迭代空间广阔
- 团队技术氛围浓厚，有机会与顶级算法人才共事
- 技术栈广泛（因果推断、推荐、LLM），学习曲线陡峭
缺点 / 挑战
- 深度参与国际电商核心增长业务，技术挑战大，影响力直接
- 业务指标导向强，需要快速交付可落地的算法方案，压力较大
- 跨团队协作频繁，沟通成本较高
- 适合追求技术前沿、喜欢挑战复杂业务问题、能承受快节奏的算法工程师
角色解读
- 纵向晋升为算法专家或技术Leader，负责更复杂的增长策略
- 横向拓展至推荐、广告、搜索等相邻领域，成为全栈算法人才
- 长期可发展为AI Agent或LLM应用方向的技术负责人
- 构建达人分级与画像体系，通过潜力模型和LTV预估实现精细化运营
- 设计智能补贴策略，结合流量和券激励提升达人活跃度与长期价值
- 开发因果诊断框架，挖掘影响因子并关联方案引导达人成长
- 搭建LLM驱动的Agent，实现选品、创作等流程的自动化决策与反馈
- 扎实的机器学习与模型调优经验，熟悉常见算法
- 掌握因果推断方法（如Uplift建模）或推荐系统核心模块
- 了解大模型核心技术（后训练、RAG、Agent框架）
- 熟练至少一门编程语言（Python/Java/C++）及大数据工具（Hive/Spark）
申请策略
- 在简历中明确写出如何用算法驱动业务增长的具体案例
- 面试前了解国际电商业务模式和达人生态，准备业务理解相关回答
- 突出因果推断或推荐系统的项目经验，尤其是落地效果和量化指标
- 强调LLM相关实践（如Agent、后训练、RAG）的具体成果
- 展示编程能力和大数据处理经验，说明在复杂数据场景下的解决方案
- 如果发表过顶会论文或竞赛获奖，务必放在显眼位置
- 补充因果推断（如Uplift模型）的理论与代码实践
- 学习LLM后训练（SFT、DPO）和Agent框架（如LangChain）的搭建
面试指南
- 使用STAR法则（情境、任务、行动、结果）清晰阐述项目细节
- 对于算法设计问题，先明确目标，再讨论候选方案，最后对比选择
- 展示系统性思考：从数据、模型、评估到上线全链路
- 请介绍一个你使用因果推断方法解决实际问题的项目
- 如何设计一个智能补贴策略来提升达人活跃度？请从算法角度说明
- 大模型Agent在落地时有哪些挑战？如何解决指令遵从和工具调用问题？
- 你如何看待推荐系统中的冷启动问题？有哪些常见解法？
- 请讲一下你对Uplift建模的理解，以及与传统预测模型的区别
匹配度报告
72
综合匹配度
大厂核心增长岗位，前沿技术栈，高薪高压，成长机会极佳。
适合人群
适合优先看重技术成长和职业发展的求职者，愿意为高成长承受较高工作强度。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值70
薪资福利匹配
85较高
字节跳动薪资福利处于行业顶尖水平，16薪加股票期权，但工作强度较大，整体补偿性动机满足度高。
薪资信号偏高 (35K-65K/月)
成长发展匹配
95较高
岗位涉及前沿技术（因果推断、LLM、Agent），有大量学习和成长机会，晋升通道明确，发展性动机极强。
技术前沿前沿/新兴技术
技术栈因果推断、Uplift建模、LLM、Agent、推荐系统、后训练、RAG
业务类型profit_center
工作生活匹配
40较低
字节跳动工作压力大，普遍加班，且要求现场办公，生活化动机满足度较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况明确要求弹性/高强度
使命价值匹配
70中等
电商行业处于高速增长期，岗位直接贡献业务增长，但社会影响力偏商业，意义感中等。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs