推荐大模型算法工程师/专家

优缺点分析

角色解读

• 成为推荐系统与生成式AI交叉领域的专家，引领技术方向
• 向高级算法专家或技术负责人发展，主导核心业务的技术创新
• 拓展至更广泛的AI应用层，如智能体开发、多模态交互等领域
• 负责美团APP首页等核心流量入口的推荐算法升级，特别是引入生成式AI（GenAI）重构推荐架构
• 构建和优化统一推荐大模型，涉及Transformer架构改进、大规模数据处理及模型训练效率提升
• 探索LLM4Rec（大语言模型用于推荐）和Agentic Recommendation（智能体推荐），设计具备推理和规划能力的推荐Agent
• 协同工程团队，解决大模型在毫秒级在线服务中的性能与效果平衡问题
• 扎实的机器学习/深度学习基础，熟悉推荐系统经典算法及最新大模型技术（LLM, Agent）
• 具备2年以上大模型基座、Agent或搜推广算法开发经验，深入理解模型原理
• 熟练掌握AI Coding工具，具备良好的问题抽象、拆解能力及工程落地能力
• 熟悉分布式训练、模型压缩或加速技术，能解决大规模模型在线服务性能瓶颈

申请策略

• 关注美团在AI领域的最新技术博客和论文，了解其技术栈偏好
• 准备具体的项目案例，重点阐述如何解决‘效果’与‘性能’的平衡问题
• 展现对‘零售+科技’战略的理解，思考技术如何赋能业务增长
• 突出大模型（LLM/Agent）相关项目经验，特别是其在推荐、搜索或排序场景的应用
• 强调在大规模数据处理、模型训练效率优化（如MFU提升）方面的具体成果
• 展示对推荐系统前沿技术（如GenAI for Rec）的理解和实践案例
• 体现良好的工程落地能力和跨团队协作经验
• 深入学习Transformer架构变体及大规模分布式训练技巧

面试指南

• STAR法则：清晰描述情境、任务、行动和结果，特别是量化成果
• 技术深度：不仅讲‘怎么做’，更要讲‘为什么这么做’，体现对原理的理解
• 权衡取舍：在回答工程问题时，强调不同方案的Trade-off及选择依据
• 前沿视野：结合最新论文和行业实践，展示对技术趋势的敏感度
• 请详细介绍你在大模型基座或Agent开发方面的项目经验，遇到了哪些挑战？
• 如何看待生成式推荐（GenAI for Rec）与传统判别式推荐的优劣？
• 在大规模模型训练中，如何优化数据、稀疏、密集特征的Scaling策略？
• 如何解决大参数量模型在毫秒级在线服务中的延迟和吞吐问题？