海信
搜索系统开发工程师(J41313)
搜索系统开发工程师(J41313)
发布于 11 小时前普通员工/个人贡献者
全职员工仅现场办公后端开发
后端开发
分布式系统
向量检索
大数据
推荐系统
搜索引擎
高并发
值不值得投
68综合评分
综合评分 68
技术驱动型后端职位，强调推荐/搜索系统开发与前沿技术探索，WLB未明确。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
3万
比后端开发中位数低
发布情况
新岗位 · 昨天发布
公司情况
公司还在招多个职位
4 个在招 · 其中后端开发 2 个
职位详情
关于这个职位
该职位负责海信电视终端的推荐与搜索系统核心开发与优化，包括架构设计、召回排序等环节，需应对千万级用户高并发场景，保障服务稳定低延迟，并探索向量检索等前沿技术以提升系统效率
最低要求
年及以上大型互联网系统后端开发经验，3年及以上专注于推荐系统或搜索引擎相关模块（召回、排序、特征、模型服务、实验平台等）的设计与开发经验，有成功上线并支撑大规模用户（千万级DAU以上）的产品经验
深刻理解推荐系统或搜索引擎的核心架构、关键组件及工作原理，精通ES、Redis、向量检索引擎、模型推理服务中的至少2项关键组件的原理、应用与性能调优
精通Java或Golang其中一门语言及其生态，具备扎实的编码功底和良好的编程习惯
深入理解并具有高并发、低延迟、高可用分布式系统的设计、开发和调优经验
具备优秀的系统模块和复杂业务逻辑的设计能力，能够独立完成从需求分析、方案设计到编码实现、测试部署的全过程
拥有强烈的技术热情，持续关注推荐/搜索、大数据、AI工程化等领域的技术前沿
优秀的分析、定位和解决复杂技术问题的能力
工作职责
负责推荐/搜索核心系统开发与优化：深度参与电视终端智能推荐/搜索业务场景的架构设计、核心模块开发与持续优化，包括但不限于召回、排序、重排等环节，支撑复杂业务需求的快速迭代
核心组件与能力建设：负责推荐/搜索系统关键基础设施和通用能力的开发与维护（如特征存储/计算、在线/离线服务框架、向量检索服务集成、模型推理服务集成等），提升系统复用性、可扩展性与性能
高并发服务保障：负责线上推荐/搜索服务的稳定性、高可用性与低延迟
应对千万级用户并发场景，持续优化系统性能，设计并实施有效的容灾、降级方案，快速响应并解决线上问题
前沿技术探索与应用：关注推荐/搜索领域技术发展（如向量检索、深度学习模型服务化等），评估并引入合适的新技术（如高性能向量数据库），提升系统效果与效率
AI 洞察
优缺点分析
优点
- 深入推荐/搜索系统核心开发，积累千万级用户大规模系统实战经验
- 接触向量检索、深度学习模型服务化等前沿技术，技术栈先进
- 海信作为知名企业，提供稳定平台和电视智能化业务场景
- 推荐/搜索技术更新快，需保持持续学习与技术探索
- 工作地点涉及深圳和青岛，可能需适应跨地点协作或环境差异
缺点 / 挑战
- 高并发场景挑战性强，能快速提升系统设计与调优能力
- 高并发服务保障压力大，需持续优化性能并快速响应线上问题
- 适合拥有推荐/搜索系统开发经验、追求技术深度、能承受高并发挑战并乐于探索前沿技术的后端工程师
角色解读
- 成为推荐/搜索领域技术专家，深入算法与工程结合
- 向系统架构师或技术负责人方向发展，主导大型项目
- 参与AI工程化创新，探索智能终端技术前沿
- 负责电视终端推荐与搜索系统的核心架构设计与模块开发，优化召回、排序等关键环节
- 构建和维护推荐/搜索系统的基础设施工具，如特征存储、服务框架和向量检索集成
- 保障线上服务在高并发场景下的稳定性、低延迟和可用性，处理容灾降级
- 跟踪前沿技术如向量检索和模型服务化，评估并引入新技术以提升系统效率
- 精通分布式系统设计与调优，具备高并发、低延迟系统开发经验
- 深入理解推荐系统或搜索引擎原理，熟悉ES、Redis等关键组件的应用与优化
- 熟练使用Java或Golang进行后端开发，有扎实的编码能力和工程实践
- 具备系统模块和业务逻辑设计能力，能独立完成从需求到部署的全流程
申请策略
- 了解海信电视业务和智能推荐场景，面试中展示对行业应用的理解
- 准备针对高并发系统的实际问题解决方案，以应对技术深度考察
- 突出推荐/搜索系统相关项目经验，尤其是千万级DAU场景下的架构设计与优化案例
- 详细描述分布式系统开发成果，展示对ES、Redis等组件的性能调优能力
- 列举Java/Golang技术栈的实践经验，以及高并发、高可用系统的设计细节
- 体现对向量检索、AI工程化等前沿技术的关注或实践经历
- 深入学习向量检索技术（如FAISS、Milvus）和深度学习模型服务化框架
- 加强分布式系统设计理论，特别是容灾、降级等稳定性保障方案
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化描述项目经验，突出技术难点和成果
- 结合原理与实践回答技术问题，先说明概念再举实际应用案例
- 强调系统设计思维，从架构层面考虑扩展性、可靠性和性能平衡
- 请描述一个你参与的高并发推荐系统项目，如何保障其稳定性和低延迟？
- 在推荐系统的召回和排序环节，你有哪些优化经验？
- 向量检索在推荐系统中如何应用？你有哪些集成或调优实践？
- 如何设计一个高可用的分布式特征存储服务？
- 如果线上推荐服务出现延迟突增，你会如何排查和解决？
职位点评
薪资福利70
成长发展85
工作生活45
使命价值65
薪资福利
70中等
JD未披露薪资和福利细节，但技术岗位要求较高，市场薪资可能处于中上水平。
薪资信号未披露（AI估算：2千–4万/月）
成长发展
85较高
职位涉及前沿技术如向量检索和高并发系统开发，提供显著的技能成长机会。
技术前沿前沿/新兴技术
技术栈向量检索、深度学习模型服务化、Elasticsearch、Redis、Java、Golang
业务类型ambiguous
工作生活
45较低
JD未提及办公模式和WLB信号，工作地点为现场办公，可能面临高并发系统维护压力。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
65中等
电视终端智能推荐提升用户体验，属于消费电子创新领域，但社会影响力一般。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs