字节跳动
算法工程师（ETA履约/智能定价/物流搜推融合方向）-国际电商
算法工程师（ETA履约/智能定价/物流搜推融合方向）-国际电商
发布于 1 天前普通员工/个人贡献者
杭州市
中级经验
全职员工
仅现场办公
硕士
深度学习
PyTorch
TensorFlow
LLM
因果推断
推荐系统
图神经网络
运筹优化
Hive SQL
AI 估算 · 30k–45k
杭州核心算法岗，技术壁垒高，字节跳动薪资有竞争力，中位数约3.75万/月。
职位详情
关于这个职位
加入字节跳动国际电商算法团队，你将深度参与ETA履约、智能定价和搜推融合等核心算法研发，利用深度学习、因果推断、大模型等技术推动全球电商业务增长
你的工作将直接影响千万用户的购物体验，并接触海量真实数据与前沿技术，是技术驱动商业的绝佳实践机会
最低要求
计算机、统计学、运筹学、数学等相关专业硕士学位及以上
具备扎实的代码基本功和数据结构基础，熟练掌握Python、C++、Java中的至少一种，具备优秀的工程架构与落地能力
在机器学习、深度学习领域有深厚积累，熟练使用TensorFlow、PyTorch等主流框架，具备海量数据（Spark、Hive SQL）处理经验
具备良好的业务意识和数据敏感度，熟悉A/B实验原理与分析方法，能从海量数据中挖掘规律并转化为业务产出
具备自驱力、逻辑拆解能力和跨团队沟通协作能力，面对复杂、开放性的业务问题能快速拿到结果（Get things done）
对解决高价值、高挑战的To-C电商业务问题抱有强烈热情，致力于通过技术驱动业务规模与用户体验的增长
工作职责
在这里，深度参与国际电商算法底座的演进
面对全球复杂的供应链与履约网络，我们不仅通过时空序列建模（ETA）与运筹因果推断（智能定价）解决物理世界的效率与成本问题
更致力于打破物理与数字的边界，将履约能力化作增长引擎，通过搜推融合机制重塑流量分发，直接撬动大盘转化与GMV
同时，团队正全面拥抱LLM与Agent技术，重构电商运营与决策链路
依托字节跳动庞大的全球流量与千亿级真实交易数据，你的每一行代码都将切实影响全球千万消费者的购物体验
期待你的加入，一起攻坚行业难题，用顶尖技术在全球市场创造巨大的商业价值
ETA与时空序列建模：负责Shop核心的预计送达时间（ETA）算法研发
基于海量全球物流轨迹数据，运用深度学习、图神经网络（GNN）、序列建模等技术，持续迭代自研的OneTrans模型，提升全链路时效预测精度，优化用户下单前的决策体验与转化漏斗
智能定价与运筹优化：深入复杂的跨境与本土电商履约场景，负责运费定价、包邮门槛及补贴策略的算法设计
综合运用因果推断（Causal Inference）、运筹优化（OR）等技术，构建多目标优化框架，在保障用户体验的同时实现平台成本、ROI与收益的全局最优解
搜推融合与流量调控：打破传统物流与电商的边界，将履约时效、物流成本等核心因子深度接入搜索与推荐（RecSys）链路
设计并落地基于物流感知的流量分发与机制设计策略，优化曝光效率，直接拉动用户转化、留存及复购
大模型（LLM）与Agent前沿应用：探索并落地大语言模型在电商及供应链场景的创新应用
基于海量业务数据进行CPT、SFT、RL微调，构建专属垂直大模型，设计基于“Agent+Skill”架构的智能体，赋能复杂运营场景的异常诊断与自动化决策，实现业务大幅提效
优先资格
加分项（满足其一即可）在以下任一核心领域有深入研究或丰富落地经验：
搜推算法：推荐系统排序（Ranking）、机制设计、计算广告或流量分发
因果推断：动态定价、Uplift建模或用户增长算法
时空建模：序列预测、ETA建模或图神经网络（GNN）
大模型/AIGC：熟悉LLM训练链路（CPT/SFT/RLHF）及Agentic工作流搭建
在KDD、NeurIPS、WWW、SIGIR、WSDM、ICLR、ICML等会议发表过高质量论文者优先
有电商、物流、外卖、打车等O2O履约算法相关背景者优先
AI 洞察
优缺点分析
优点
- 身处字节跳动核心业务，接触千亿级真实数据，算法影响直接可见
- 技术栈全面前沿，涵盖GNN、因果推断、LLM等多个热门方向，提升个人竞争力
- 团队氛围开放，鼓励创新和攻坚，有大量发表论文和专利的机会
- 薪资和福利在行业内具有竞争力，且业务高速增长带来更多晋升空间
- 工作强度较大：互联网大厂节奏快，可能需要应对紧急业务需求
- 技术迭代迅速：需要持续学习LLM、Agent等新技术，保持知识更新
- 适合追求技术深度与商业价值结合、能承受高强度工作、热爱解决复杂问题的算法工程师
缺点 / 挑战
- 业务复杂度高：涉及全球化供应链、多目标优化，问题开放且挑战大
角色解读
- 技术纵深发展：在时空建模、因果推断、搜推算法或大模型任一方向成为专家
- 横向扩展：深入理解电商全链路，从履约到搜索推荐，成为复合型算法人才
- 管理路径：带领小团队攻克复杂业务问题，晋升为技术Leader或团队负责人
- 负责国际电商ETA算法研发，通过时空序列建模和深度学习优化预计送达时间精度
- 设计智能定价与运筹优化策略，综合因果推断和博弈论优化运费、包邮门槛及补贴
- 将履约时效和物流成本接入搜索推荐链路，基于物流感知的流量分发提升转化
- 探索LLM和Agent在电商运营中的应用，通过微调和Agent架构实现自动化决策
- 扎实的编程和数据结构基础，精通Python/C++/Java之一，具备工程落地能力
- 深度学习与机器学习深厚积累，熟练使用TensorFlow/PyTorch等框架
- 大数据处理经验（Spark/Hive），熟悉A/B实验原理和数据分析
- 业务敏感度和跨团队协作能力，能从海量数据中挖掘业务增长点
申请策略
- 在简历中突出对电商业务的理解，展示如何用技术解决业务问题
- 关注字节跳动国际电商战略，了解行业趋势，面试时展现热情和洞察
- 突出相关项目经历：如ETA预测、定价优化、推荐系统或LLM微调等
- 展示工程能力：强调大数据处理（Spark/Hive）和框架使用（TensorFlow/PyTorch）
- 体现业务结果：量化项目对核心指标（转化率、GMV、ROI）的提升
- 加分项：论文（KDD, NeurIPS等）、竞赛获奖、开源贡献等
- 补充因果推断和运筹优化相关知识，如DID、DML、线性规划等
- 熟悉LLM训练流程（CPT/SFT/RLHF）和Agent框架（如LangChain）
面试指南
- 结构化回答：先分析问题背景和目标，再提出解决思路（模型选择、特征工程、评估方法），最后说明可能遇到的挑战和权衡
- 结合业务：强调技术方案对业务指标的提升，用数据说话
- 体现算法深度：提及相关论文、经典方法，并说明创新点
- 如何设计一个ETA预测模型？考虑哪些特征和结构？
- 面对多目标优化（成本、时效、用户体验），如何设置目标函数？
- 如何用因果推断评估定价策略对GMV的影响？
- 在推荐系统中如何融入履约时效因子？
- 你对LLM Agent的理解是什么？在电商场景中有哪些落地可能？
匹配度报告
68
综合匹配度
大厂核心业务，前沿技术栈，薪资高但工作强度大，发展空间极佳。
适合人群
最适合追求技术成长和商业回报、愿意接受高强度工作的求职者。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利70
成长发展90
工作生活50
使命价值60
薪资福利匹配
70中等
薪资未在JD中明确，但字节跳动薪资水平处于行业领先，且有年终奖等激励，但福利未提及，综合给予70分。
薪资信号未披露（AI估算：30K-45K/月）
成长发展匹配
90较高
技术栈涵盖深度学习、因果推断、大模型等前沿方向，且有海量数据和业务场景支持，成长空间极大，给予90分。
技术前沿前沿/新兴技术
技术栈深度学习、图神经网络、因果推断、运筹优化、推荐系统、大模型、LLM、Agent
业务类型profit_center
工作生活匹配
50较低
工作地点杭州需现场办公，未提及弹性工作或加班政策，互联网大厂节奏快，生活方式灵活性较差。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
60中等
国际电商属于高速增长赛道，但社会影响力中性，技术驱动商业但无明显使命感。
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