小红书
【2027校招】智能流媒体传输算法工程师
【2027校招】智能流媒体传输算法工程师
发布于 36 分钟前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Abr
Qoe建模
Quic
强化学习
拥塞控制
流媒体传输
深度学习
值不值得投
78综合评分
综合评分 78
前沿技术探索、大平台研究落地机会、对技术深度要求高、生活平衡信息不明确。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
24K
比算法优化工程师中位数高
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 1330 个在招 · 其中算法优化工程师 6 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 170 个在招
职位详情
关于这个职位
该职位是小红书Media Lab面向2027届校招的智能流媒体传输算法工程师
你将负责研究和开发面向点播、直播、RTC等场景的智能传输算法，深度融合AI技术与流媒体系统，目标是构建能感知网络、理解内容、预测体验并自主优化传输策略的新一代智能媒体系统，推动技术在小红书真实业务中落地
最低要求
本科及以上学历，计算机、通信、电子信息、自动化、人工智能、应用数学等相关专业
具备扎实的计算机网络、算法与数据结构基础，熟练掌握C/C++、Python等至少一种编程语言，具有良好的算法实现和系统实验能力
熟悉流媒体传输、拥塞控制、带宽预测、ABR、智能预取、QoS/QoE建模等一个或多个方向
了解RTMP、HTTP-FLV、HLS、DASH、WebRTC、QUIC、MoQ等协议或媒体系统，有相关算法优化、系统开发或开源项目经验者优先
了解机器学习与深度学习的基本方法
具有强化学习、时序预测、离线策略学习或AI for Network相关研究经验者优先
具有大模型在时序数据建模、网络诊断、策略生成或智能体决策等方向的研究经验者优先
在SIGCOMM、NSDI、CoNEXT、INFOCOM、MobiCom、MMSys等相关会议或期刊发表论文，或具有高质量开源项目及代表性研究成果者优先
有责任心，积极主动，有良好的沟通能力和团队协同工作意识
工作职责
负责智能流媒体传输核心算法的研究和开发，面向点播、直播、RTC等场景，深入研究多码率、智能预取、流量控制、拥塞控制、多路径传输等技术，持续提升媒体传输的体验与效率
研究AI for Network，基于深度学习、强化学习等方法，探索大模型在网络状态预测、测量、策略生成与异常诊断中的应用，推动下一代网络智能技术在复杂真实场景中的研究与落地
研究以用户体验为目标的智能传输决策，融合业务场景、用户偏好、视频内容、设备能力与网络状态，构建清晰度、卡顿、时延等多目标QoE模型，指导码率、预取与传输策略的联合优化
参与下一代智能媒体传输架构与协议的研究，探索内容感知传输、端网协同、Media over QUIC、AI多模态实时传输等前沿方向，推动相关技术在点播、直播和RTC场景中的应用
AI 洞察
优缺点分析
优点
- 技术方向前沿且深入，直接参与AI与传统网络、流媒体结合的创新探索，技术成长空间大
- 依托小红书庞大的真实用户量和多样化的媒体业务场景，研究成果能快速验证并产生实际业务影响
- 团队定位为Lab，鼓励探索与产出行业影响力的技术成果，对于有志于技术研究的候选人平台优质
- 校招进入大公司核心研发团队，可获得体系化的培养和相对稳定的起步环境
- 技术复杂度高，需要同时理解复杂的网络系统、流媒体业务和AI算法，学习曲线陡峭
- 作为校招新人，需要快速融入团队并产出实际成果，对主动学习和解决问题的能力要求高
- 适合对计算机网络、多媒体技术有浓厚兴趣，乐于用AI技术解决复杂系统问题，具备较强算法基础和编程能力，且追求技术深度与创新性的应届毕业生
缺点 / 挑战
- 研究成果需要从原型落地到真实、高并发的线上系统，面临工程实现和稳定性的严峻挑战
角色解读
- 技术深耕路径：从算法工程师成长为网络传输或多媒体领域的技术专家、首席工程师，主导复杂技术方向
- 架构拓展路径：向系统架构师方向发展，负责设计更庞大、智能的端到端媒体传输系统
- 跨界融合路径：在AI+网络方向积累深厚经验，可转向更通用的智能网络、边缘计算或分布式系统领域
- 研究与开发智能流媒体传输的核心算法，解决点播、直播、RTC等场景下的网络传输与体验优化问题
- 应用AI（深度学习、强化学习）技术赋能网络，进行状态预测、策略生成和异常诊断，推动网络智能化
- 构建以用户体验（QoE）为核心的多目标优化模型，将业务、内容、设备与网络状态结合，指导传输策略
- 探索并落地下一代媒体传输协议与架构，如QUIC、MoQ、AI多模态实时传输等前沿技术
- 扎实的计算机网络、算法与数据结构基础，熟练掌握C++/Python编程与系统实现能力
- 熟悉流媒体传输核心技术栈，如拥塞控制、ABR、智能预取、QoS/QoE建模
- 具备机器学习与深度学习的基本理论知识和实践经验，尤其对强化学习、时序预测等领域有了解
- 对网络与媒体领域前沿技术（如QUIC、MoQ、AI for Network）有研究兴趣或实践经验
申请策略
- 深入理解小红书Media Lab的技术方向，在面试中展现出你对‘AI驱动的智能媒体系统’这一愿景的认同和思考
- 准备一个能体现你解决复杂技术问题能力的项目案例（最好是网络或多媒体相关），能清晰阐述问题、方案、实现和结果
- 突出与流媒体传输、网络优化、拥塞控制、QoE建模等相关的课程项目、研究课题或实习经历
- 展示深度学习、强化学习等AI技术在实际问题中的应用经验，如相关竞赛、论文或开源项目
- 详细描述参与过的系统开发项目，特别是涉及C++/Python、高性能网络编程或算法实现的成果
- 如有在SIGCOMM、NSDI等顶级网络/多媒体会议发表的论文或高质量开源项目，务必重点强调
- 深入学习QUIC协议、Media over QUIC (MoQ) 等新一代网络协议标准
- 系统学习强化学习（如DQN、PPO）在决策优化中的应用，并尝试复现相关论文
面试指南
- 技术问题框架：采用“背景-方法-细节-结果-反思”的结构
- 先说明技术点是什么，然后讲解核心原理和你的实现方法，展示关键代码或设计细节，说明效果，最后讨论优缺点和可能改进
- 项目经验框架：使用STAR原则（情境-任务-行动-结果）
- 清晰描述项目背景、你的具体任务、你采取的技术行动（突出算法和工程细节），以及可量化的成果或收获
- 开放性问题框架：先给出自己的核心观点，然后从多个维度（技术、业务、用户体验）展开论述，最后可以结合个人兴趣或行业趋势进行总结
- 请介绍一下你最熟悉的一个流媒体传输协议（如QUIC、DASH、WebRTC），并比较其优缺点
- 请描述一个你使用深度学习或强化学习解决网络或优化问题的具体项目经历
- 如果让你设计一个自适应码率（ABR）算法，你会考虑哪些因素？如何平衡清晰度、卡顿和加载时间？
职位点评
薪资福利75
成长发展90
工作生活60
使命价值80
薪资福利
75中等
作为大型互联网公司的校招技术岗，薪资应具有市场竞争力，但JD未披露具体福利结构。
薪资信号未披露（AI估算：18K-30K/月）
成长发展
90较高
职位聚焦于前沿技术（AI+网络），提供从研究到落地的全流程挑战，且明确提及形成行业影响力成果，成长信号非常强烈。
技术前沿前沿/新兴技术
技术栈深度学习、强化学习、QUIC、MoQ、QoE建模、拥塞控制、ABR
成长机会推动算法从研究原型走向真实系统、形成具有行业影响力的技术成果、推动下一代网络智能技术...研究与落地
业务类型ambiguous
工作生活
60中等
工作地点位于北京/上海核心区，通勤便利性取决于具体办公地，但JD未提及任何关于工作弹性或WLB的信号。
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
80较高
岗位致力于提升数亿用户的媒体消费体验，技术本身具有创新性，且研究成果能直接服务业务，具有明确的正向价值感。
行业发展稳定成熟行业
社会影响中性/一般
使命信号体验驱动的智能媒体技术、提升媒体传输的体验与效率
创新程度积极采用新技术
Watch Jobs