千问事业部-MOS 实验室-推荐/推送算法专家（大模型方向）-杭州/北京/广州

优缺点分析

角色解读

• 技术专家路径：深耕AI推荐与LLM结合领域，成为该交叉领域的顶尖技术专家
• 技术管理路径：凭借出色的技术影响力和项目成果，向算法团队负责人、技术总监方向发展
• 架构师路径：主导大规模AI推荐系统的技术架构设计，推动系统能力建设
• 负责设计和研发基于大模型的“主动推荐”系统，让AI能主动与用户开启对话并引导完成复杂任务
• 探索生成式推荐的新范式，利用LLM的推理能力突破传统推荐系统的限制
• 优化推荐与推送策略，平衡“有价值信息提供”与“用户打扰度”，提升业务指标
• 深厚的推荐系统实战经验，精通召回、排序、重排等核心环节
• 熟悉大模型应用，并有将LLM与推荐场景结合的落地经验
• 扎实的编程能力与深度学习框架使用经验，能处理海量数据并实现复杂算法
• 敏锐的业务与产品洞察力，能从用户体验角度设计技术方案

申请策略

• 在面试中，除了展示技术实力，应着重表达你对“主动服务”产品场景的思考和独特见解
• 提前研究阿里系产品（如淘宝、夸克等）中可能的推荐或AI助手应用场景，结合案例阐述想法
• 重点突出在推荐系统、NLP或LLM相关领域的项目经验，特别是“主动”、“生成式”、“记忆”等关键词项目
• 详细描述1-2个最具技术深度的算法模型设计与落地案例，说明技术选型与业务收益
• 如有相关顶会论文或开源项目，务必在简历显眼位置列出，这是重要的加分项
• 系统性地学习和梳理大模型（尤其是生成式AI）在推荐领域的最新研究与实践（如Generative Recommendation）
• 复习强化学习（特别是序列决策、多智能体）、用户生命周期建模、Uplift Modeling等进阶推荐技术
• 加强RAG（检索增强生成）和Agent相关技术的理解与实践经验

面试指南

• 对于技术设计题：遵循“问题定义 -> 方案选择（含备选） -> 核心模块拆解 -> 评估指标 -> 潜在风险”的结构化回答思路
• 对于经验描述题：使用STAR法则（情境、任务、行动、结果），重点突出你独立思考和解决核心难点的部分
• 对于开放讨论题：结合技术深度与产品思维，先明确目标（用户价值/业务价值），再提出具体的技术实现路径
• 请描述你过去如何解决推荐系统中‘冷启动’或‘数据稀疏’问题？这与大模型结合会有什么不同思路？
• 如何设计一个算法，来判断向用户推送一条信息的最佳时机（Timing Modeling）？请描述你的建模思路
• 你认为“生成式推荐”与传统的“过滤式推荐”在根本上有何区别？可能面临哪些技术挑战？
• 如何衡量一个“主动推荐”或“AI助手”任务的价值？请设计相关的评估指标体系
• 如果让你基于千问大模型，为某个具体场景（如旅行规划）设计一个主动推荐功能，你会怎么做？