算法工程师（外投系统）

优缺点分析

角色解读

• 技术深耕：成为广告算法领域专家，主导复杂系统架构与核心模型创新
• 管理方向：带领团队负责外投系统算法方向，晋升为技术Leader或架构师
• 业务拓展：转向平台级增长策略，或进入广告产品/业务决策岗位
• 构建智能投放系统，利用LLM和多智能体实现自主决策，自动化跨平台广告投放
• 优化广告召回与排序模型，支撑千亿级请求，应用生成式召回、图神经网络等前沿技术
• 打造核心预估模型（pCVR/pCTR等），攻克延迟转化归因、多目标融合等难题
• 升级RTA出价策略，使用强化学习和博弈论平衡多方利益，提升广告ROI
• 精通TensorFlow/PyTorch等深度学习框架，熟练掌握Hive/Spark/Hadoop大数据工具
• 深入理解LLM、深度学习、因果推断、强化学习等算法原理，并具备业务落地能力
• 熟悉广告召回/排序系统，有生成式召排、语义/多模态/图召回经验
• 熟悉广告机制和博弈论，有RTA出价或智能体开发经验

申请策略

• 关注京东零售的业务动态，在面试中展示你对业务目标和广告技术的理解
• 准备一份系统设计案例，展示你解决高并发、实时问题的能力
• 突出广告/推荐/搜索领域的项目经验，特别是召回排序、出价策略或智能投放相关
• 展示深度学习框架（TensorFlow/PyTorch）和大数据工具（Spark/Hive）的实际应用能力
• 强调LLM、强化学习、因果推断等前沿技术的落地案例，附上具体指标提升
• 如有RTA、多智能体或营销增长项目，务必详细描述技术方案和成果
• 系统学习因果推断和强化学习理论，可阅读相关论文或参加在线课程
• 实践LLM应用，如构建简单Agent或使用LangChain等框架

面试指南

• 对于项目介绍，采用STAR原则（情境-任务-行动-结果），突出技术亮点和业务收益
• 对于技术方案类问题，先阐明核心挑战，再分步骤给出解决方案，最后总结优缺点
• 对于开放性问题（如LLM应用），先给出一个具体场景，再设计技术架构，并预估效果
• 请介绍一个你负责的广告召回或排序项目，用了什么技术？效果如何？
• 如何用强化学习优化RTA出价策略？需要考虑哪些约束？
• 解释因果推断在预估模型中的应用，如何解决延迟转化问题？
• 你对LLM在广告投放中有什么应用想法？如何设计一个多智能体系统？
• 在千亿级请求下，如何保证模型性能和实时性？