教育背景：计算机、数学或人工智能相关专业研究生及以上学历，五年以上推荐/搜索算法经验
领域经验：深耕推荐、广告或搜索系统，在召回、排序、重排等主流环节有丰富的工程实践
深刻理解 LLM + RecSys/Search 的融合路径，熟悉语义搜索、多模态理解及大模型在长尾分发中的应用趋势
模型与算法：扎实的机器学习理论，精通 Transformer、DeepFM、DIN 等经典架构，具备丰富的 CTR/CVR 预估调优经验
精通主流大模型（如 LLaMA、DeepSeek、Qwen）的架构，掌握 MoE（Mixture of Experts） 原理
熟练应用 PEFT（如 LoRA、AdaLoRA） 微调技术，并对 RLHF（基于人类反馈的强化学习） 或 DPO（直接偏好优化） 有实际操作经验
编程与数据处理：精通 Python、C++ 或 Java，具备高效的 SQL 编写能力及数据结构功底
熟练使用 Spark/Flink 进行大规模特征工程，具备向量数据库的使用与优化经验
掌握 Prompt Engineering 及高质量数据集（SFT/Pretrain）的清洗与合成技术
框架与工具：熟练使用 PyTorch/TensorFlow，精通 Hugging Face 生态及 DeepSpeed、Megatron-LM 等分布式训练框架
具备大模型推理加速经验，熟悉 vLLM、TensorRT-LLM、FlashAttention 或模型量化（GPTQ/AWQ）技术，能有效提升线上吞吐量
数据分析与评估：具备敏锐的数据洞察力，能够构建完善的 LLM 评估体系（如针对幻觉、对齐、多样性的评估）
擅长通过 A/B Test 验证算法收益，利用数据驱动模型迭代