业务技术-搜索推荐算法工程师/专家-杭州

优缺点分析

角色解读

• 纵向可发展为搜索推荐领域的资深技术专家或首席科学家
• 横向可转型为算法团队技术Leader或业务技术负责人，主导超大规模系统的架构演进
• 负责天猫APP等核心场景的搜索与推荐算法迭代，涵盖召回、排序及重混排模型
• 探索生成式搜索推荐、模型Scaling UP及Agent化等前沿技术，并推动方案落地
• 优化手猫端内外引流及个性化推荐效率，应用序列建模、图模型等技术提升多场景用户表征与LLM推荐效果
• 扎实的编程基础（Java/C++/Python）及数据结构与算法能力
• 精通机器学习与深度学习，在推荐系统、信息检索或强化学习等领域有深厚积累
• 具备大语言模型（LLM）、生成式AI或Agent算法的实际应用与落地经验

申请策略

• 提前了解淘天集团近期的搜索推荐技术博客或开源项目，展现对业务技术方向的关注
• 突出在搜索推荐、信息检索或计算广告领域的实际项目经验及带来的业务指标提升
• 详细展示在生成式搜索、LLM应用或Agent算法方面的探索与落地成果
• 列举在顶级国际会议或期刊发表的论文，证明在相关领域的学术研究深度
• 深入学习大语言模型（LLM）在推荐系统中的应用，如兴趣发现、内容冷启等
• 掌握强化学习、图模型及多目标优化在复杂推荐场景中的高级应用

面试指南

• STAR法则：针对业务优化问题，清晰阐述背景、任务、采取的具体算法策略及最终量化的业务收益
• 技术深度+业务理解：在回答前沿技术问题时，不仅讲透算法原理，还要结合电商搜索推荐的具体痛点说明落地方案
• 请详细介绍你过往在搜索或推荐系统中，如何通过算法优化显著提升核心业务指标的经历
• 针对生成式搜索推荐或搜推Agent化，你有哪些具体的技术思路或落地经验？
• 在超大规模场景下，如何平衡模型的复杂度与线上推理延迟？
• 请解释序列建模或图模型在手猫端内外引流承接页个性化推荐中的具体应用
• 复习推荐系统经典模型及最新的大模型在推荐中的应用论文（如基于LLM的召回/排序）
• 准备1-2个自己主导的复杂算法项目，能够深入剖析其中的技术难点、解决方案及踩坑经验