阿里巴巴
AI Native搜推算法工程师-π天才计划
AI Native搜推算法工程师-π天才计划
发布于 1 天前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Pytorch
Tensorflow
地理空间数据
大语言模型（Llm）
强化学习
推荐系统
搜索推荐
生成式检索
值不值得投
79综合评分
综合评分 79
前沿大模型技术栈，亿级用户场景，高成长性，但工作模式未明，可能压力较大。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
40K
比推荐系统中位数高
发布情况
新岗位 · 昨天发布
公司情况
这家公司招聘很活跃
约 2510 个在招 · 其中推荐系统 7 个
市场机会
选择适中
北京 · 推荐系统 · 13 个在招
职位详情
关于这个职位
作为AI Native搜推算法工程师，你将参与高德地图的下一代搜索推荐系统开发，专注于大模型在LBS场景的应用，负责生成式召回、模型微调、排序决策和工程落地等前沿课题，推动搜索推荐技术的范式升级
最低要求
学历背景：计算机、人工智能、数学等相关专业，硕士及以上学历，博士优先
专业基础：具备扎实的深度学习理论基础，熟练掌握 PyTorch/TensorFlow 等主流框架，对 Transformer、LLM 架构有深刻理解
项目经验：在搜索、推荐、广告或 NLP 领域有实际项目经验，熟悉召回、排序、重排全链路算法者优先
大模型能力：有 LLM 预训练、SFT、RLHF 或 RAG 相关实战经验，熟悉 Prompt Engineering 及大模型优化技术
编程能力：具备优秀的代码实现能力（Python/C++），熟悉 Linux 开发环境，有良好的工程规范
综合素质：对技术充满热情，具备极强的问题解决能力、逻辑思维能力及沟通协作能力，勇于挑战前沿难题
工作职责
架构创新：负责基于大语言模型（LLM）的生成式召回（Generative Retrieval）系统研发，突破传统倒排索引限制，实现从“语义理解”到“POI 生成”的范式升级
模型攻坚：主导融合地理空间知识的 LLM 微调与推理技术研究，解决大模型在 LBS 场景下的空间幻觉与位置感知难题
排序决策：构建多目标博弈下的复杂排序模型，利用强化学习与大模型推理能力，平衡导航耗时、服务质量、商业价值与用户满意度
工程落地：负责高并发场景下的端云协同推理加速，通过模型蒸馏、量化等技术，确保生成式算法在毫秒级延迟要求下的稳定落地
技术引领：跟踪全球 AI 前沿技术，在顶级会议发表成果，沉淀方法论，并参与团队内部技术建设与人才培养
优先资格
学术成果：在 KDD、SIGIR、WWW、NeurIPS、ICML 等顶级国际会议发表过高质量论文者
开源贡献：在 GitHub 上有高星开源项目贡献，或在大模型社区有显著影响力者
LBS 经验：熟悉地理空间数据（GeoHash、路网、POI 关系），有地图、导航、本地生活服务相关算法经验者优先
竞赛获奖：在 ACM、Kaggle 或行业权威算法竞赛中获得 Top 名次者
AI 洞察
优缺点分析
优点
- 亿级用户场景：高德地图提供丰富数据和真实业务环境，成果影响广泛
- 公司平台支持：阿里巴巴资源充足，学术与工程结合紧密，利于技术积累
- 技术引领机会：有渠道在顶级会议发表论文，提升个人行业影响力
- 技术难度高：解决大模型空间幻觉等问题需要深入研究和创新
- 工程要求严格：高并发、低延迟的工程落地对性能优化能力要求高
- 适合对AI算法有热情，具备扎实深度学习基础，乐于探索前沿技术，有搜索推荐或大模型相关经验的求职者
缺点 / 挑战
- 前沿技术栈：参与大模型在LBS的创新应用，技术挑战性强，成长空间大
- 竞争压力可能较大：π天才计划吸引众多优秀人才，需脱颖而出
角色解读
- 技术专家路径：深耕AI算法，成为搜索推荐或大模型领域的资深专家
- 技术管理路径：带领团队负责大型项目，转向技术管理角色
- 跨领域应用：将LBS算法经验扩展到其他人工智能应用场景
- 研发基于大语言模型的生成式搜索推荐系统，实现语义理解到POI生成的技术升级
- 主导大模型在LBS场景的微调与推理，解决空间感知和幻觉问题
- 构建多目标排序模型，平衡导航、服务、商业和用户满意度
- 负责模型工程落地，确保高并发低延迟的稳定运行
- 跟踪AI前沿技术，在顶级会议发表成果并参与团队建设
- 扎实的深度学习理论，熟练使用PyTorch/TensorFlow，精通Transformer和LLM架构
- 搜索推荐或NLP领域的项目经验，熟悉召回排序全链路算法
- 大模型实战经验，包括预训练、SFT、RLHF或RAG
- 优秀的编程能力，掌握Python/C++，熟悉Linux开发环境
申请策略
- 研究高德地图现有技术架构和业务痛点，面试时展示针对性见解
- 准备具体案例说明如何将大模型与LBS结合，体现创新思维
- 重点展示搜索推荐、大模型或NLP相关项目经验，突出实际应用和成果
- 强调学术成果，如论文发表、竞赛获奖，体现研究能力
- 突出编程技能和工程实践，如开源项目贡献，展示工程落地能力
- 体现对LBS领域的兴趣或知识，如地理空间数据处理经验
- 深入学习生成式检索、LLM微调等前沿技术，跟进最新论文和实践
- 补充地理空间数据分析知识，如GeoHash、路网处理，增强LBS场景理解
面试指南
- 结合具体项目，用STAR法则（情境、任务、行动、结果）描述技术挑战和解决方案
- 展示对技术细节的深入理解，如模型架构选择、优化技巧、性能指标
- 强调工程思维和量化成果，如延迟降低、准确率提升等具体数据
- 你如何理解AI Native在搜索推荐系统中的应用？
- 请描述一个你处理过的LBS相关项目，如何解决空间感知或位置幻觉问题？
- 在多目标排序中，你如何平衡导航耗时、服务质量和商业价值？
- 你在大模型优化方面有哪些实战经验，如模型蒸馏或量化？
- 如何确保大模型在高并发场景下的低延迟推理？
职位点评
薪资福利80
成长发展95
工作生活50
使命价值85
薪资福利
80较高
薪资未明确披露，但基于岗位层级和城市预计为市场水准；福利信息在JD中未提及，可能需进一步确认。
薪资信号未披露（AI估算：30K-50K/月）
成长发展
95较高
职位涉及大模型、生成式检索等前沿技术，有学术发表和人才培养机会，技能成长路径明确，发展性动机满足程度高。
技术前沿前沿/新兴技术
技术栈LLM、PyTorch、TensorFlow、搜索推荐、强化学习
成长机会技术引领、顶级会议发表成果、人才培养
业务类型profit_center
工作生活
50较低
JD未提及办公模式和WLB信息，无法判断远程或弹性安排；基于地点和行业特点，可能为现场办公，工作强度未明。
工作模式未明确
办公地点市区核心地段
加班情况未提及（无法判断）
使命价值
85较高
高德地图作为地图服务具有社会价值，AI技术驱动行业创新，岗位参与前沿课题，意义感较强。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号重构下一代 LBS 搜索推荐架构、致力于
创新程度开拓性创新（行业首创）
Watch Jobs