智能算法产品事业部-淘宝搜索-生成式检索算法工程师

优缺点分析

角色解读

• 纵向可成长为搜索算法领域的技术专家或首席科学家，主导核心算法架构演进
• 横向可拓展至推荐系统、大模型通用应用等更广泛的AI落地场景
• 负责淘宝电商搜索系统的召回算法框架设计与升级，涵盖倒排索引、多模态语义向量及生成式检索
• 研发并优化基于大模型的稠密检索与个性化搜索系统，处理海量电商数据以提升商品召回率
• 探索大模型在搜索链路中的极致落地，研究索引结构设计与预训练目标对齐等前沿技术
• 扎实的深度学习与自然语言处理基础，熟练掌握BERT、GPT等预训练模型及跨模态数据处理
• 精通PyTorch或TensorFlow等框架，具备大规模分布式训练及近似最近邻搜索（ANN）算法优化经验
• 具备优秀的跨团队沟通协作能力，能解决复杂的电商数据处理与模型优化问题

申请策略

• 提前了解淘宝搜索当前的业务痛点及大模型在电商搜索中的最新应用案例，准备针对性的技术见解
• 重点突出在生成式检索、大模型向量表征或Agentic应用等方面的真实落地项目及业务收益
• 详细列出参与的大规模分布式训练经验、ANN算法优化成果以及处理海量数据的工程能力
• 展示在顶级会议发表的学术论文、专利申请或技术讲座记录，证明在NLP/深度学习领域的研究深度
• 深入研读生成式检索及可学习稀疏检索的最新顶会论文，掌握前沿理论
• 熟悉大模型预训练目标与下游任务对齐技术，提升在垂直领域大模型微调与索引结构设计方面的实战能力

面试指南

• STAR法则：针对落地经验，从业务背景、技术方案设计、工程难点攻克到最终业务指标提升进行结构化阐述
• 原理+实践：回答算法优化问题时，先简述算法核心原理，再结合具体业务场景说明参数调优、数据采样或工程加速策略
• 请详细介绍你在生成式检索或大模型向量表征方面的落地经验，遇到了哪些工程挑战及如何解决？
• 在超大规模电商数据下，如何结合ANN算法协同优化稠密检索系统的表征与索引性能？
• 大模型预训练目标与下游商品检索任务对齐时，你通常采用哪些策略来保证效果？
• 面对高并发的在线截断需求，可学习稀疏检索算法和倒排索引技术应如何设计与优化？
• 复习并梳理自己过往项目中关于分布式训练、大模型微调及检索系统架构的核心代码与技术方案
• 了解淘天集团近期在搜索推荐领域的技术博客或开源项目，把握团队当前的技术关注点