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 10 小时前普通员工/个人贡献者
北京市
中级经验
全职员工
仅现场办公
学历未注明
深度学习
LLM
因果推断
推荐系统
大模型
Uplift建模
AI 估算 · 30k–50k
北京大厂算法岗，中级经验，薪资竞争力强，结合行业水平估算。
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，你将负责构建达人分级体系、智能补贴算法和诊断框架，并开发基于大语言模型的智能Agent，以推动达人精细化运营和健康成长
该岗位需要扎实的机器学习、因果推断和LLM技术，适合追求技术前沿的算法工程师
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，具备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，撬动长期价值增长
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、工具调用等能力，实现选品、创作等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
- 使用前沿技术（LLM、因果推断、推荐系统）积累稀缺经验
- 字节跳动平台大，薪资待遇优厚，技术氛围浓厚
- 技术栈要求全面，需要同时掌握因果推断、推荐系统和LLM，学习成本高
缺点 / 挑战
- 接触国际电商业务，处理大规模用户和达人数据，挑战性高
- 业务指标压力大，需要快速迭代和上线模型效果
- 跨团队协作频繁，沟通和项目管理能力要求较高
- 适合对算法技术有热情、喜欢挑战复杂业务问题，且具备较强学习能力的工程师
角色解读
- 技术纵深发展：从算法工程师成长为推荐/广告/搜索领域的专家
- 横向拓展：结合LLM和Agent技术，成为AI应用架构师
- 管理路线：带领团队负责达人增长策略的整体算法方向
- 构建达人分级体系，利用潜力建模和LTV预估实现精细化运营
- 设计智能补贴算法，通过流量、折扣券等激励提升达人活跃度和长期价值
- 开发达人诊断框架，运用因果推断进行因子分析和方案关联
- 构建基于LLM的智能Agent，实现选品、创作等流程的自动化和决策辅助
- 扎实的机器学习基础，熟悉常见算法和模型调优
- 掌握因果推断和Uplift建模，或有推荐系统召回/排序等方向经验
- 了解大模型技术，包括后训练、RAG、Agent框架建设
- 至少熟悉一种编程语言（Python/Java/C++）和大数据工具（Hive/Spark）
申请策略
- 准备一个与达人增长或智能补贴相关的算法方案，展示解决问题的思路
- 了解字节跳动国际电商的业务现状，面试中体现对业务的理解
- 突出在推荐系统、因果推断或LLM方面的实际项目经验，尤其是与用户增长或补贴优化相关的成果
- 展示编程和数据处理能力，列举用Python/Spark处理大规模数据的案例
- 强调论文、竞赛或开源项目贡献，特别是顶会发表或ACM/NOI经历
- 系统学习因果推断和Uplift建模，可以阅读相关论文和开源框架
- 动手实践LLM后训练（SFT/DPO）和Agent开发，尝试搭建一个简单的对话Agent
- 熟悉Hive SQL和Spark调优，提升大数据处理效率
面试指南
- 对于策略设计类问题，采用“问题定义-数据探索-模型选择-评估验证-迭代优化”的框架
- 对于技术细节问题，先解释核心原理，再结合自己的实践经验举例说明
- 对于业务结合问题，从业务目标出发，量化指标，并考虑实际约束（如预算、效率）
- 如何设计一个基于因果推断的补贴策略？请详细说明你的Uplift模型方案
- 请介绍你过去使用LLM做Agent的项目经验，遇到过哪些挑战？
- 如何评估达人分级模型的效果？你会选用哪些指标？
- 在推荐系统中，如何处理冷启动问题？结合达人场景说明
- 复习因果推断和Uplift建模的经典论文（如CausalForest、Meta-learners）
匹配度报告
71
综合匹配度
大厂核心业务、前沿技术栈、薪资优厚，但工作强度大、灵活性低。
适合人群
最适合追求技术深度和前沿能力积累的求职者，对高强度工作和现场办公有心理准备。
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40
使命价值70
薪资福利匹配
80较高
薪资水平在行业中具有竞争力，字节跳动提供良好的福利待遇，但JD未明确具体薪资和福利细节，因此评分中等偏上。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
95较高
该职位深度涉及LLM、因果推断、Agent等前沿技术，且要求持续学习，成长空间极大，技术栈领先。
技术前沿前沿/新兴技术
技术栈因果推断、Uplift建模、推荐系统、LLM、Agent、后训练、RAG
业务类型profit_center
工作生活匹配
40较低
字节跳动通常要求现场办公，工作强度可能较大，JD未提及弹性工作或WLB，生活平衡方面满足度较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值匹配
70中等
国际电商属于高速增长行业，通过算法提升达人效率有一定社会价值，但整体社会影响力中性。
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