美团
商业增值-零售广告算法工程师
商业增值-零售广告算法工程师
发布于 1 小时前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Ctr/Cvr预估
Llm
Pytorch
Rag
Tensorflow
生成式召回
值不值得投
79综合评分
综合评分 79
核心商业化算法岗、前沿大模型技术栈、发展天花板高，但WLB未明确且业务压力较大。
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
5.5万
比推荐系统中位数高
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 3920 个在招 · 其中推荐系统 5 个
市场机会
选择面较广
北京 · 推荐系统 · 54 个在招
职位详情
关于这个职位
该职位负责美团零售广告算法的研发与优化，涵盖召回、预估排序、机制策略及端到端大模型建模等全链路工作
你需要结合大模型与生成式技术，解决百亿级商品场景下的长尾与冷启动难题，推动算法在商业化场景中的落地与业务增长
最低要求
硕士研究生及以上学历，计算机、数学、统计等相关专业，对大模型原理及应用有深入理解
年以上广告、推荐或搜索算法相关工作经验，具备扎实的机器学习理论基础
有LLM微调、后训练或Agent系统开发经验者优先，具备良好的业务sense
熟练掌握Python、C++或Java等编程语言，熟悉TensorFlow、PyTorch等深度学习框架
熟悉LLM应用开发工具链（如Prompt工程、RAG、微调框架等）者优先
具备大规模数据处理能力，熟悉Hadoop、Spark等分布式计算工具
有AI模型训练、部署及推理优化经验者加分
具备良好的逻辑思维与沟通能力，对AI技术有强烈好奇心和探索欲，能够推动AI项目从研究到落地的全流程
工作职责
召回算法：负责触发召回算法优化，探索生成式召回与 LLM-based Agent 在相关性中的应用，攻克百亿级商品场景下冷启动与长尾商品的信息瓶颈
预估排序：负责 CTR/CVR 多任务多场景预估排序，深度结合零售业务特点探索超长序列建模、精排Scaling、跨域多目标建模、知识蒸馏、多人群学习、Debias、延迟反馈建模等，攻克长尾商品稀疏与多场景复用难题
机制策略：负责广告机制算法优化，探索生成式拍卖、自回归机制模型、listwise 建模、精排重排联合建模，持续突破机制与排序分离架构的效率上限
端到端建模：负责统一多场景广告大模型基座建设，探索召粗一体、端到端生成式推荐等新范式，突破级联架构的信息损失天花板
突破百亿参数级预估模型与1M+超长行为序列建模，探索 Scaling 收益边界
深入理解零售业务场景，与产品、运营团队协作，推动算法策略在商业化场景中的落地与效果验证
优先资格
有LLM微调、后训练或Agent系统开发经验者优先
熟悉LLM应用开发工具链（如Prompt工程、RAG、微调框架等）者优先
有AI模型训练、部署及推理优化经验者加分
AI 洞察
优缺点分析
优点
- 技术栈极其前沿，深度参与LLM4Rec、生成式召回/排序/拍卖等下一代广告系统范式的定义与落地
- 业务闭环完整，从召回、预估到机制策略全链路自主掌控，算法做功直接驱动可见的业务收入，成就感强
- 依托深厚的广告技术沉淀，鼓励技术创新与学术研究，支持发表论文和专利，利于个人技术影响力建设
- 适合具备扎实机器学习基础、对大模型在推荐/广告领域的应用有浓厚兴趣，且渴望在核心商业化业务中拿结果的资深算法人才
缺点 / 挑战
- 百亿级商品场景与超长序列建模对工程能力和算力优化要求极高，面临较大的技术与性能挑战
- 商业化场景对算法落地效果要求严格，需要在技术创新与业务短期收益之间寻找平衡，压力较大
角色解读
- 从算法工程师向资深算法专家发展，深耕推荐系统或广告算法的某一垂直领域（如生成式推荐、端到端建模）
- 凭借全链路闭环的业务经验，可向算法团队负责人或技术总监等管理岗位转型
- 依托公司平台，有机会参与定义下一代广告系统技术范式，发表高水平论文或申请专利，建立行业技术影响力
- 负责美团零售广告算法的全链路研发，包括召回、预估排序、机制策略及端到端大模型建模
- 探索生成式召回、LLM-based Agent、超长序列建模等前沿技术在百亿级商品场景中的应用
- 与产品、运营团队紧密协作，推动算法策略在商业化场景中的落地，直接驱动业务收入增长
- 扎实的机器学习理论基础，熟练掌握Python/C++/Java及TensorFlow/PyTorch等深度学习框架
- 具备3年以上广告、推荐或搜索算法经验，熟悉大规模数据处理（Hadoop/Spark）及模型部署优化
- 对大模型（LLM）原理有深入理解，有LLM微调、Agent开发或RAG等应用开发经验者优先
申请策略
- 在面试中不仅要展现技术深度，还要体现对核心本地商业（如外卖、闪购等零售业务）的理解，说明算法如何赋能业务增长
- 重点突出在广告、推荐或搜索算法领域的实际项目经验，尤其是CTR/CVR预估、召回优化等核心指标的提升成果
- 详细展示在大模型（LLM）应用方面的经验，如LLM微调、Agent系统开发、RAG或生成式推荐相关的研究与落地案例
- 强调大规模数据处理与模型工程能力，如百亿参数模型训练、超长序列建模、分布式计算及推理优化经验
- 深入学习生成式推荐、端到端大模型基座建设等前沿论文与开源项目，掌握LLM-based Agent在相关性中的应用
- 提升对零售业务场景的理解，培养将技术能力与商业化变现目标相结合的业务sense
面试指南
- STAR法则：结合具体项目，说明背景（如长尾稀疏问题）、采取的技术方案（如知识蒸馏/多人群学习）、最终的业务收益（如CTR提升X%）
- 技术深度+业务理解：在回答技术问题时，不仅讲模型原理，还要结合零售广告的业务特点（如即时性、本地化）说明为什么选择该方案
- 在百亿级商品场景下，如何解决冷启动与长尾商品的信息瓶颈？请分享你的召回算法优化思路
- 针对CTR/CVR多任务多场景预估，你是如何处理长尾商品稀疏与多场景复用难题的？
- 请谈谈你对生成式召回或生成式拍卖的理解，相比传统方法有哪些优势与落地挑战？
- 在端到端生成式推荐或超长序列建模中，如何突破级联架构的信息损失天花板并探索Scaling收益边界？
- 如何平衡算法技术创新与商业化场景中的短期业务收益？
- 复习推荐系统、计算广告的经典理论，并重点阅读近期关于LLM4Rec、生成式推荐、端到端建模的顶会论文
职位点评
薪资福利85
成长发展95
工作生活50
使命价值75
薪资福利
85较高
该岗位为核心商业化算法岗，JD明确提及提供有竞争力的薪酬，结合行业与城市水平，薪资具备较强市场竞争力。
薪资信号偏高 (4千–7万/月)
福利待遇有竞争力的薪酬、完善的职业发展通道、支持发表高水平论文及AI相关专利、参与AI会议交流
成长发展
95较高
岗位涉及LLM4Rec、生成式推荐等最前沿技术，且鼓励技术输出、论文发表和专利，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、TensorFlow、PyTorch、CTR/CVR、生成式召回、端到端建模、Hadoop、Spark
成长机会完善的职业发展通道、鼓励技术创新与学术研究、支持发表高水平论文及AI相关专利、参与AI会议交流、鼓励技术输出与对外影响力建设
业务类型profit_center
工作生活
50较低
JD未提及工作模式与WLB相关信息，且核心商业化算法岗通常面临较高的业务交付压力，生活化动机满足度一般。
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
75中等
依托美团“帮大家吃得更好，生活更好”的使命，推动零售业务数字化升级，具有一定的社会价值与行业前景。
行业发展稳定成熟行业
社会影响中性/一般
使命信号帮大家吃得更好，生活更好、推动需求侧与供给侧的数字化和智能化升级、提升商户经营水平
创新程度开拓性创新（行业首创）
Watch Jobs