阿里巴巴
算法工程师-AI搜索/推荐/广告（T-Star Lab ）
算法工程师-AI搜索/推荐/广告（T-Star Lab ）
发布于 1 个月前实习/见习
实习生仅现场办公推荐系统
推荐系统
Pytorch
Tensorflow
大语言模型
强化学习
推荐系统
数据挖掘
机器学习
算法设计
自然语言处理
值不值得投
72综合评分
综合评分 72
前沿AI算法实习，技术成长机会多，但WLB一般
从学习成长、工作节奏、岗位方向和实习待遇综合评估，方便比较实习机会。
薪资怎么样
8千
比推荐系统中位数低
发布情况
长期在招 · 32 天前发布
公司情况
这家公司招聘很活跃
约 3030 个在招 · 其中推荐系统 18 个
市场机会
选择适中
杭州 · 推荐系统 · 28 个在招
职位详情
关于这个职位
这是阿里巴巴淘天集团T-Star计划的算法工程师实习岗位，专注于AI搜索、推荐和广告领域的算法研发
你将参与核心业务算法如个性化推荐系统，探索大语言模型、多模态模型及Agent技术在搜索推荐中的应用，利用SFT微调、强化学习等手段提升用户意图理解，在亿级数据场景中实践前沿AI技术
最低要求
熟悉tensorflow或者pytorch至少一种机器学习常用框架
逻辑思维清晰，学习能力强，对新事物保有好奇心，并能快速适应新环境
良好的沟通能力和团队协同能力
能与他人合作，共同完成目标
遇事沉稳，不急不躁，心理素质过硬，有担当、有韧性，表达能力强
工作职责
参与并负责核心业务场景的各类算法，包括个性化推荐系统等核心算法能力
深度参与商品、内容分发算法设计，提升流量匹配的效率和用户粘性
建设包括AGENT、RAG召回、粗排、精排、重排、混排等推荐算法，打造集团和业界一流的算法
探索大语言模型（LLM）、多模态大模型、Agent及RAG技术在搜推领域的应用，利用SFT微调、强化学习（RLHF/DPO）、提示词工程等手段，提升对用户意图的深度理解及内容承接能力
优先资格
有相关推荐系统、机器学习、NLP、计算机视觉、数据挖掘等相关领域研究及实践经验优先
有相关顶级会议论文发表者优先
有相关竞赛经验并获奖者优先
AI 洞察
优缺点分析
优点
- 接触业界最前沿的AI技术，如大语言模型、多模态等，在海量数据场景中实践，技术成长快
- 背靠大厂平台资源，参与亿级用户的核心业务，能快速提升技术视野和实战能力
- T-Star计划是顶尖人才培养项目，有机会获得优秀导师指导，学习环境优越
- 技术难度高，需要快速掌握推荐系统和大语言模型等复杂技术，学习曲线陡峭
- 适合对AI算法有强烈兴趣，追求技术深度和前沿探索，能适应高强度学习和工作的在校学生
缺点 / 挑战
- 工作可能涉及高并发、实时性要求，对算法性能和工程实现能力有挑战
- 实习竞争激烈，需在有限时间内证明自己，压力较大
角色解读
- 从算法工程师起步，深入推荐系统或大语言模型领域，成长为高级算法工程师或算法专家
- 在技术路径上，可向算法架构师、技术负责人方向发展，或转向技术管理岗位
- 通过在大厂核心业务中的实践，积累复杂系统经验，为未来进入AI前沿领域打下坚实基础
- 负责个性化推荐算法的开发与优化，提升流量匹配效率和用户粘性
- 探索大语言模型、多模态模型及Agent技术在搜索推荐场景中的应用，进行SFT微调和强化学习
- 参与商品和内容分发算法设计，构建包括粗排、精排、重排、混排等在内的推荐系统架构
- 在亿级数据规模下实践前沿AI技术，将算法成果落地到具体业务场景中
- 熟练使用TensorFlow或PyTorch等机器学习框架，具备扎实的机器学习和算法基础
- 熟悉推荐系统原理，了解召回、排序等核心模块，有相关项目经验者优先
- 掌握大语言模型相关技术，如SFT微调、强化学习（RLHF/DPO）、提示词工程等
- 具备良好的逻辑思维、沟通能力和团队协作精神，能快速学习适应新环境
申请策略
- 深入了解阿里巴巴的业务场景和推荐系统应用，关注T-Star计划的具体要求
- 准备算法和系统设计面试，复习常见推荐问题，并准备项目经验的详细讲解
- 突出机器学习框架（TensorFlow/PyTorch）的使用经验，以及相关项目或研究成果
- 强调推荐系统、NLP、大语言模型等领域的实践经历，如有竞赛或论文更佳
- 展示逻辑思维能力和团队协作精神，通过项目经历或竞赛体现
- 系统学习推荐系统算法，如召回、排序、重排等模块，并动手实践
- 深入学习大语言模型技术，尝试进行SFT微调或强化学习的实践项目
- 提升编码能力，熟悉Python和常用数据分析工具，以应对工程实现要求
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化描述项目经验，突出技术难点和成果
- 系统讲解推荐流程，从用户请求到结果返回，清晰说明各模块原理和优化点
- 结合实际案例，如具体业务场景，说明大语言模型或强化学习的应用思路和效果
- 请介绍一个你做过的推荐系统或机器学习项目，遇到的技术挑战及如何解决？
- 解释推荐系统中粗排、精排、重排的作用和区别？
- 如何利用大语言模型提升搜索推荐的意图理解？请举例说明
- 强化学习（如RLHF）在推荐系统中有哪些应用场景？
- 你对T-Star Lab的研究方向有什么了解？你希望参与哪个部分？
职位点评
薪资福利70
成长发展85
工作生活50
使命价值80
薪资福利
70中等
实习薪资符合市场水平，大厂实习可能提供一定福利保障，但作为短期岗位，稳定性和福利相对有限。
薪资信号未披露（AI估算：6千–1万/月）
成长发展
85较高
职位涉及前沿AI技术如大语言模型和推荐系统，提供海量数据实践场景，技能成长和学习机会突出。
技术前沿前沿/新兴技术
技术栈推荐系统、大语言模型、机器学习、TensorFlow、PyTorch、强化学习
业务类型profit_center
工作生活
50较低
未明确提及办公模式和WLB信息，实习岗位可能面临较高工作强度，生活化动机满足有限。
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
80较高
AI搜索推荐是高速增长赛道，技术应用有社会价值，但JD未明确提及使命或社会影响力。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs