酷澎
Staff Back-end Engineer [L6-1] (NCA Services)
Staff Back-end Engineer [L6-1] (NCA Services)
发布于 3 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
A/B实验
Ctr/Cvr预估
分布式系统
广告系统
机器学习
Cursor/Copilot
低延迟在线推理
值不值得投
薪资怎么样
7.3万
比后端开发中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 290 个在招 · 其中后端开发 5 个
市场机会
选择面较广
上海 · 后端开发 · 约 320 个在招
职位详情
关于这个职位
作为 Coupang 新用户获取广告（NCA）与 TW 站点广告团队的核心后端工程师，你将主导广告出价、排序与 serving 系统从规则驱动向 AI-first 架构的演进
工作内容既包括大规模分布式系统的架构设计与优化，也包括搭建支撑模型训练、仿真评估与在线推理的基础设施，并完成从离线训练到 A/B 实验的全链路交付
最低要求
计算机、数学、统计等相关专业背景，有扎实的理论基础
思维严谨，有独立从问题定义到业务结果落地的完整交付能力
对 AI/ML 技术有持续的好奇心和快速学习能力
能够熟练使用 AI 编程工具（如 Cursor、Copilot、Claude Code 等）提升开发效率，具备评估和审查 AI 生成代码质量的能力
后端与系统工程：
熟练掌握 Java/Python，具备大规模分布式系统设计与上线经验
理解异步、并发、幂等、限流等工程基础，对代码质量与系统可维护性有较高要求
有广告系统或推荐系统相关经验者优先
ML 系统与 AI 工程：
熟悉主流深度学习框架，理解 CTR/CVR 预估、排序等广告 ML 模型的训练与部署原理
具备低延迟在线推理系统的设计与优化经验
工作职责
作为 NCA Supply and Yield 团队的核心工程师，参与并主导广告系统向 AI-first 方向的演进，具体包括：
参与 NCA 广告核心系统（出价、排序、serving）的架构设计与迭代优化，推动系统从规则驱动向模型驱动演进
设计并构建支撑 AI 模型训练与评估的基础设施，包括数据生成、仿真环境和实验框架
主导关键 AI/ML 系统的端到端交付，涵盖离线训练、在线服务、A/B 实验及效果评估全链路
推动广告系统核心模块（出价、排序、serving）的系统性 AI-first 改造，所构建的能力具备向其他产品线扩展的潜力
优先资格
有广告出价、预算优化或 ROAS 相关项目经验
有跨团队技术方案主导经验，能够推动复杂依赖项目落地
AI 洞察
优缺点分析
优点
- 岗位处于广告系统与 AI 结合的核心位置，能同时积累大规模分布式系统与 ML 工程两类稀缺能力
- Staff 级别定位，职责包含架构设计与跨产品线能力沉淀，技术话语权和影响范围较大
- 业务直接关联新用户获取与广告收入，工程成果与商业指标强挂钩，价值可量化
- 公司为全球化电商平台，可接触跨国团队协作与大规模真实流量场景
- 需要同时具备后端系统工程与 ML 系统两类深度能力，技术跨度大、上手门槛高
- 适合已有大规模分布式系统经验、并对广告/推荐算法工程有实际积累的资深工程师，尤其是希望在 AI-first 架构转型中承担核心技术角色的候选人
缺点 / 挑战
- 广告出价与排序系统对延迟、稳定性要求苛刻，线上问题排查与优化的压力不小
- 岗位涉及推动多个依赖方协同落地，跨团队沟通与推进成本较高
角色解读
- 沿技术专家路线发展为 Staff/Principal 级架构师，主导更大范围的广告系统技术方向
- 从单一模块负责人成长为跨团队技术方案主导者，向技术管理或技术负责人（Tech Lead）方向发展
- 积累 AI-first 系统改造方法论后，可横向扩展到推荐、搜索等其他算法密集型业务线
- 负责新用户获取广告（NCA）核心系统的出价、排序与 serving 架构设计与迭代，推动系统从规则驱动转向模型驱动
- 搭建支撑 AI 模型训练与评估的基础设施，包括数据生成、仿真环境和实验框架
- 主导 AI/ML 系统端到端交付，打通离线训练、在线服务、A/B 实验与效果评估全链路
- 将核心模块的 AI-first 改造能力沉淀并推广到其他广告产品线
- 熟练的 Java/Python 工程能力，以及对异步、并发、幂等、限流等分布式系统基础的深刻理解
- 对 CTR/CVR 预估、排序模型等广告 ML 原理的理解，熟悉主流深度学习框架与模型训练部署流程
- 低延迟在线推理系统的设计与调优经验，能兼顾性能与稳定性
- 能熟练使用 Cursor、Copilot、Claude Code 等 AI 编程工具，并具备审查 AI 生成代码质量的能力
申请策略
- 提前了解 Coupang 新用户获取广告与 TW 站点广告的业务背景，面试中体现对业务目标的理解
- 准备英文技术沟通的基本表达，跨国团队协作场景中可能涉及英文会议与文档
- 突出大规模分布式系统的设计与上线经历，用具体指标（QPS、延迟、可用性）量化系统规模和效果
- 单独梳理广告或推荐系统相关项目，说明你在出价、排序、serving 链路中承担的具体角色与产出
- 展示 ML 工程侧经验：模型训练到在线部署的链路、低延迟推理优化、A/B 实验设计与评估
- 提及日常使用 AI 编程工具提升效率的实践，以及代码 review 与质量把控的方法
- 补齐广告竞价机制（出价策略、预算控制、ROAS 优化）的业务知识，即使没有直接经验也能讲清逻辑
- 强化在线推理性能优化能力，熟悉模型量化、特征服务、缓存与并发调优等常见手段
面试指南
- 用 STAR 结构讲清背景、目标、你的具体动作与最终可量化的业务结果，重点放在你个人的决策而不是团队整体
- 面对架构类问题，先讲清约束条件（流量规模、延迟要求、依赖关系），再给出方案选型对比和取舍理由，最后说明如何灰度与回滚
- 对跨团队问题，强调你如何对齐目标、拆解依赖、设定里程碑并推动落地
- 请描述一个你主导设计的大规模分布式系统，其中如何处理并发、幂等与限流问题？
- 如何把一个规则驱动的广告出价/排序系统改造成模型驱动？你会如何规划迁移路径与风险控制？
- 请讲讲你在低延迟在线推理系统上的优化实践，具体瓶颈是什么、如何解决？
- 如何设计支撑模型训练与评估的数据生成、仿真环境和实验框架？
- 你如何使用 AI 编程工具提升开发效率，又如何保证 AI 生成代码的质量？
酷澎 的其他在招职位
相似职位推荐
Watch Jobs