阿里巴巴
研究型实习生-智能算法产品事业部-搜索算法工程师
研究型实习生-智能算法产品事业部-搜索算法工程师
发布于 3 小时前实习/见习
实习生仅现场办公机器学习工程
机器学习工程
Learning To Rank
Llm
Pytorch
Reward Model
信息检索
因果推断
搜索相关性
离线评测
值不值得投
73综合评分
综合评分 73
前沿研究型实习，技术成长与平台背书强，但薪酬福利和WLB信息未披露。
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
9.0千
比机器学习工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 3950 个在招 · 其中机器学习工程 约 220 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 310 个在招
职位详情
关于这个职位
这是一个面向电商搜索场景的研究型实习岗位，围绕搜索相关性评测、因果分析和LLM驱动的相关性标准生成展开
你将参与离线评测、在线实验、奖励模型与智能体系统研究，推动成果在真实业务中验证，并有机会沉淀论文或专利
最低要求
计算机、人工智能、统计学、数学或相关专业硕士、博士在读，具备良好的机器学习与统计学习基础
熟悉信息检索或搜索推荐的基本技术体系，理解以下部分内容：
倒排索引、召回、排序和 Learning to Rank
BM25、Embedding、Dense Retrieval、Cross-Encoder
搜索相关性建模及 Precision、Recall、NDCG、MRR 等评测指标
Transformer、预训练语言模型及常见深度学习方法
熟悉 Python，能够使用 PyTorch 等框架独立完成数据处理、模型训练和实验分析
具备良好的工程实现与问题排查能力
对以下方向至少一项有较深入的研究或项目经验，并愿意开展交叉研究：
因果推断：因果图、倾向得分、IPW、双重稳健估计、因果森林、Uplift Modeling、异质性处理效应或反事实学习
大模型：Prompt、SFT、偏好优化、Reward Model、RAG、LLM-as-a-Judge 或模型评测
智能体：任务规划、工具调用、工作流编排、记忆与反思机制、Agent Evaluation
具备良好的研究能力，能够完成论文调研、问题抽象、实验设计、结果分析及技术写作
对真实业务问题有兴趣，能够从复杂数据中提出假设，并通过离线实验、因果分析或在线实验进行验证
工作职责
参与电商搜索相关性评测研究，分析 Query、商品、用户意图及点击、成交、退货等行为数据，定位现有人工相关性标准与真实用户体验之间的偏差
研究搜索相关性与业务指标之间的关联及因果关系，包括但不限于：
构建相关性体验指标与点击率、转化率、退货率、留存等指标的关联模型
识别曝光位置、商品热度、价格、用户分群等混杂因素
探索因果效应估计、异质性分析及反事实评估方法
建立可解释、可验证的“体验—行为—收益”量化框架
研究大模型驱动的相关性标准生成与迭代方法，包括：
从高噪声、稀疏的用户行为序列中识别搜索意图与偏好
利用 LLM 总结不同需求类型下“相关/不相关”的判定依据
将用户行为、人工标注和业务规则转化为结构化 Rubrics
探索 SFT、偏好学习、Reward Modeling 等方法，训练融合先后验信号的相关性奖励模型
设计面向相关性标准自动迭代的智能体系统，使 Agent 能够完成数据分析、问题发现、样本归因、标准生成、冲突检测、评测验证等任务，并研究 Agent 的可靠性、可解释性和评估方法
参与搜索算法与评测基础设施建设，包括样本构造、离线评测、在线实验分析、模型训练及效果诊断，推动研究成果在真实业务场景中验证
跟踪信息检索、因果推断、LLM Evaluation、Reward Model 和 Agent 等方向的前沿工作，沉淀技术报告、专利或高水平论文
AI 洞察
优缺点分析
优点
- 研究方向覆盖搜索相关性、因果推断、LLM Reward Model和Agent，技术栈前沿
- 可接触真实电商搜索数据与在线实验，研究落地性强
- 明确鼓励论文、专利和技术报告产出，学术成长空间较好
- 阿里平台对后续求职有较强背书
- 研究型实习对论文调研、实验设计和工程实现要求高
- 因果推断与LLM/Agent交叉研究存在不确定性，需要较强自驱力
- 需在业务验证与学术产出之间平衡时间和精力
- 适合有信息检索/机器学习研究基础、希望积累前沿论文与工业落地经验的硕博生
缺点 / 挑战
暂无明显挑战项
角色解读
- 可沿搜索算法/机器学习工程师路线深入相关性建模、排序与评测
- 可转向LLM Evaluation、Reward Model、Agent等前沿方向
- 表现优秀者有机会积累论文/专利并进入大厂研究或算法团队
- 参与电商搜索相关性评测，分析Query、商品、用户意图与点击/成交/退货行为，定位人工标准与真实体验偏差
- 研究相关性与业务指标的因果关系，构建体验—行为—收益量化框架
- 探索LLM驱动的相关性标准生成、Rubrics构建与Reward Model训练
- 设计相关性标准自动迭代的Agent系统，并参与离线评测、在线实验和模型训练
- 信息检索基础：召回、排序、Learning to Rank、BM25/Embedding/Dense Retrieval与NDCG/MRR等评测
- Python/PyTorch工程能力，能独立完成数据处理、模型训练和实验分析
- 至少深入研究因果推断、大模型（SFT/偏好学习/Reward Model）或Agent之一
- 研究能力：论文调研、问题抽象、实验设计、结果分析与技术写作
申请策略
- 投递时在简历/邮件中明确可实习城市与周期，突出研究方向与岗位交叉点
- 面试前了解电商搜索相关性与LLM Evaluation的最新工作
- 突出信息检索/搜索推荐项目与离线评测指标
- 展示Python/PyTorch独立实验和数据分析能力
- 呈现因果推断、LLM/Reward Model或Agent相关研究/论文
- 量化业务验证、竞赛或论文成果
- 补强因果推断工具（DoWhy/EconML等）与LLM评测方法
- 练习将业务问题抽象为可验证实验
面试指南
- 先明确业务目标与评价指标，再说明数据、方法、验证闭环
- 因果题按“假设—识别—估计—稳健性检验”展开
- LLM/Agent题强调数据构造、评测基准、可解释与线上验证
- 如何定义电商搜索相关性？人工标准与用户行为偏差如何度量？
- 如何用因果推断评估相关性对转化/退货的影响？
- 如何用LLM生成相关性Rubrics并控制噪声？
- 如何设计Reward Model融合先验与后验信号？
- Agent做相关性标准迭代时如何评估可靠性？
职位点评
薪资福利58
成长发展92
工作生活55
使命价值72
薪资福利
58较低
JD未披露实习津贴、补贴或福利，补偿性动机需在后续沟通中确认；平台与研究资源对简历有间接价值。
薪资信号未披露（AI估算：6.5千–1.1万/月）
成长发展
92较高
研究方向覆盖搜索相关性、因果推断、LLM Reward Model与Agent，且明确鼓励论文/专利产出，技术成长信号很强。
技术前沿前沿/新兴技术
技术栈Python、PyTorch、Learning to Rank、BM25、Dense Retrieval、Cross-Encoder、因果推断、Reward Model、Agent、LLM
成长机会沉淀技术报告、专利或高水平论文、推动研究成果在真实业务场景中验证、跟踪信息检索、因果推断、LLM Evaluation、Reward Model 和 Agent 等方向的前沿工作
业务类型profit_center
工作生活
55较低
JD未提及办公模式、弹性安排或加班情况，生活化动机信息不足；工作地点有北京/杭州两个选择，通勤与节奏需向团队确认。
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
72中等
岗位通过相关性评测改善电商搜索体验，并探索LLM/Agent前沿应用，技术价值明确；但JD中社会使命与行业高速增长信号不强。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
阿里巴巴 的其他在招职位
相似职位推荐
Watch Jobs