阿里巴巴
淘宝闪购-搜索推荐算法专家-北上杭
淘宝闪购-搜索推荐算法专家-北上杭
发布于 4 小时前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Diffusion
Rq-Vae
分布式训练
强化学习
搜索推荐
模型量化
生成式推荐
多模态用户行为建模
值不值得投
82综合评分
综合评分 82
核心链路生成式推荐算法专家岗，技术前沿且回报丰厚，适合追求技术突破的顶尖人才。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
8万
比推荐系统中位数高
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 3200 个在招 · 其中推荐系统 26 个
市场机会
选择适中
杭州 · 推荐系统 · 35 个在招
职位详情
关于这个职位
该职位负责淘宝闪购导购主链路的生成式搜索推荐系统研发，涵盖端到端内容生成、多模态用户行为建模及生成式技术在搜索排序中的应用
你需要主导生成式推荐全链路算法开发，优化Decoder Only架构与强化学习奖励系统，以提升千万级DAU场景下的计算效率与推荐转化率
最低要求
计算机、人工智能、应用数学等相关专业博士学历
年以上搜索推荐算法经验
精通Transformer、Diffusion等生成架构，熟悉RQ-VAE等表征增强技术，有实际部署经验
熟练掌握强化学习框架(如Verl)，能设计偏好感知奖励系统，优化多目标排序问题
具备Billion级参数模型调优能力，熟悉混合精度训练、模型量化等优化技术，有大规模分布式训练经验
工作职责
负责淘宝闪购导购主链路，生成式搜索推荐系统的研发工作，包括但不局限于OneRec/OneSearch类的生成式架构的设计与实现，覆盖千万级DAU的个性化搜索推荐场景
主导生成式推荐全链路算法开发，包括端到端内容生成、Decoder Only架构优化、强化学习奖励系统设计等创新模块，显著提升计算效率与推荐质量
构建多模态用户行为建模系统，将短期搜索点击行为与长期购买偏好融合，打造具备语义理解能力的用户标识(UID)体系
探索生成式技术在搜索排序中的应用，开发层次量化编码技术，解决商品信息结构化难题，提升CTR和订单转化率
优先资格
在生成式模型领域有深入研究，发表过顶会论文者优先
主导过生成式推荐系统完整项目者优先
AI 洞察
优缺点分析
优点
- 接触千万级DAU的真实业务场景，技术落地价值与影响力巨大
- 依托丰富的算力资源与数据规模，能够进行Billion级参数模型的训练与调优
- 适合拥有扎实生成式模型理论基础、具备大规模分布式训练经验，且渴望在电商核心链路用前沿AI技术解决实际业务问题的顶尖算法人才
缺点 / 挑战
- 处于生成式AI与推荐系统结合的前沿领域，技术栈极具前瞻性与挑战性
- 生成式推荐系统尚处探索阶段，技术难度高，面临计算效率与推荐质量平衡的巨大挑战
- 业务对CTR和订单转化率要求极高，算法优化需直接背负业务指标压力
角色解读
- 在生成式推荐与搜索领域深耕，成为行业顶尖的算法技术专家
- 向推荐系统架构师或AI技术总监方向发展，负责更大规模、更复杂业务场景的算法体系建设
- 负责淘宝闪购导购主链路的生成式搜索推荐系统研发，设计并实现OneRec/OneSearch等生成式架构
- 主导端到端内容生成、Decoder Only架构优化及强化学习奖励系统设计，提升推荐质量与计算效率
- 构建多模态用户行为建模系统，融合短期与长期偏好，并探索生成式技术在搜索排序中的应用以提升转化率
- 精通Transformer、Diffusion等生成架构及RQ-VAE等表征增强技术，具备实际部署经验
- 熟练掌握强化学习框架（如Verl），能设计偏好感知奖励系统以优化多目标排序
- 具备Billion级参数模型调优能力，熟悉混合精度训练、模型量化及大规模分布式训练
申请策略
- 提前了解淘宝闪购的业务模式与导购链路，思考生成式技术如何赋能该特定场景
- 准备好应对高并发、大流量场景下算法工程化落地与性能优化的相关问题
- 突出在生成式模型（Transformer/Diffusion）领域的深入研究及顶会论文发表情况
- 详细阐述主导过的生成式推荐系统完整项目，强调端到端内容生成与架构优化的具体成果
- 展示Billion级参数模型调优、混合精度训练及大规模分布式训练的实战经验
- 深入学习强化学习在推荐系统中的应用，特别是偏好感知奖励系统的设计
- 熟悉多模态用户行为建模技术，了解如何将短期点击与长期偏好进行有效融合
面试指南
- STAR法则：情境(Situation) -> 任务(Task) -> 行动(Action) -> 结果(Result)，重点突出技术难点与量化收益
- 技术深度剖析：从理论原理到工程实现，再到业务指标提升，形成完整的技术闭环
- 请详细介绍你主导过的生成式推荐系统项目，包括架构设计、遇到的挑战及最终收益
- 在Decoder Only架构优化中，你采用了哪些具体技术来提升计算效率与推荐质量？
- 如何设计偏好感知奖励系统来优化多目标排序问题？请结合具体案例说明
- 在Billion级参数模型训练中，你是如何解决显存瓶颈并保证训练稳定性的？
- 复习生成式模型（Transformer、Diffusion、RQ-VAE）的核心原理及最新顶会论文
- 梳理过往项目中的分布式训练、模型量化及强化学习框架（如Verl）的使用细节与踩坑经验
职位点评
薪资福利90
成长发展95
工作生活50
使命价值85
薪资福利
90较高
JD虽未明确披露具体薪资数字，但基于博士学历及3年以上生成式算法专家要求，该岗位市场定价处于高位，薪酬回报丰厚。
薪资信号未披露（AI估算：6千–10万/月）
成长发展
95较高
岗位聚焦生成式推荐与搜索的前沿技术，涉及Billion级模型调优与多模态建模，技术成长空间与行业影响力极大。
技术前沿前沿/新兴技术
技术栈Transformer、Diffusion、RQ-VAE、强化学习、Verl、Decoder Only、多模态用户行为建模
业务类型profit_center
工作生活
50较低
JD未明确说明工作模式与WLB相关信息，无法准确判断工作强度与办公灵活性。
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
85较高
岗位致力于通过生成式AI技术提升电商导购体验与交易效率，具有较高的商业价值与技术探索意义。
行业发展高速增长赛道
社会影响中性/一般
创新程度开拓性创新（行业首创）
Watch Jobs