智能算法产品事业部-生成式推荐/AIGQ-杭州

优缺点分析

角色解读

• 从算法工程师成长为搜广推领域的算法专家，深入掌握大模型在电商核心链路的前沿应用
• 未来可向大模型架构师、AI业务技术负责人或AI产品技术总监等高级技术管理方向发展
• 负责淘天集团AI导购场景（如猜你想搜、feed流）的生成式推荐算法研发，优化用户搜索与成交转化链路
• 运用大模型技术构建猜你想搜Agent和电商场景Memory机制，探索生成式推荐（AIGQ）在工业界的落地
• 研究并应用SFT、RL、模型蒸馏、推理加速等前沿技术，解决大模型在亿级流量场景下的工程与性能挑战
• 扎实的深度学习基础，精通LLM/VLM原理及SFT/RL/OPD等后训练调优技术
• 熟悉推荐系统、搜索排序及用户行为长序列建模算法，具备搜广推场景的实际业务经验
• 具备大模型工业级落地能力，熟悉Agent、Memory机制、模型推理加速及Token压缩等工程化技术

申请策略

• 提前体验淘天集团AI导购及“猜你想搜”等核心产品，思考大模型如何进一步优化现有链路，面试时可作为亮点提出
• 突出在大模型后训练（SFT/RL/OPD）及工业级推荐系统（搜广推）中的实际项目经验与业务收益
• 展示对LLM/VLM底层原理的深刻理解，以及在Agent、Memory机制或模型推理加速等方面的探索成果
• 深入学习大模型推理加速、Token压缩及模型蒸馏技术，提升模型在工业级高并发场景下的落地能力
• 关注生成式检索与推荐（AIGQ）的最新学术进展与开源实践，保持对前沿技术的敏感度

面试指南

• 采用STAR法则，重点突出“业务痛点-技术方案-工程挑战-最终收益”的完整闭环
• 对于大模型落地问题，从“算法效果、推理成本、系统延迟”三个维度进行权衡分析，展现工程化思维
• 请详细介绍你在SFT/RL等Post-training中的具体实践及遇到的难点？
• 在亿级流量场景下，如何平衡大模型推理延迟与推荐效果？
• 请谈谈你对生成式推荐（AIGQ）和传统判别式推荐区别的理解？
• 在电商场景中，如何设计Agent和Memory机制来提升用户的搜索与成交转化？
• 复习大模型核心论文（如RLHF、DPO、In-Context Learning）及推荐系统经典模型，夯实理论基础
• 准备1-2个自己主导的大模型在搜广推场景落地的完整项目案例，包含详细的指标对比与Bad Case分析