小红书
【2027校招】增长算法工程师-社区增长
【2027校招】增长算法工程师-社区增长
发布于 19 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
Llm
因果推断
广告投放
强化学习
推荐算法
用户增长
值不值得投
75综合评分
综合评分 75
校招算法岗，技术前沿，薪资有竞争力，WLB未明确。
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
20K
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 1410 个在招 · 其中算法优化工程师 12 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 180 个在招
职位详情
关于这个职位
负责用户增长场景的推荐算法研发，包括召回、排序、策略、多模态和LLM，以提升推荐系统全链路效率
优化消息PUSH与触达算法，提升用户拉新与活跃
设计广告投放算法，面向新用户和流失用户进行精准触达
探索因果推断和强化学习等方法在用户增长中的应用
基于大模型构建内容池和画像体系，与多团队协作推动增长目标落地
最低要求
本科及以上学历，计算机等相关专业优先
了解Hadoop/MapReduce/Spark/Hive等常用大数据处理工具优先
熟练掌握至少一种编程语言：Java/C++/Scala/Python，熟悉Linux系统及常用Shell命令
有过成功的推荐算法、用户增长、广告投放相关项目经历者优先
工作职责
负责用户增长场景的推荐算法研发（召回/排序/策略/多模态/LLM），提升推荐系统全链路效率
负责消息PUSH与触达算法，优化推送时机、频次与内容生成，提升用户拉新与活跃
负责广告投放算法，面向新用户/流失用户精准触达，包括价值预估、RTA出价、素材优选及 Agent 投放能力建设
探索因果推断、强化学习等方法在用户增长中的应用，搭建通用因果平台，为PUSH、激励等业务场景赋能
基于大模型和用户行为挖掘，构建内容池与画像体系，与产品、运营、BI团队协作推动增长目标落地
优先资格
了解Hadoop/MapReduce/Spark/Hive等常用大数据处理工具优先
有过成功的推荐算法、用户增长、广告投放相关项目经历者优先
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及LLM、因果推断和强化学习，有利于技能积累和行业竞争力
- 公司规模大，平台资源丰富，提供良好的协作环境和成长机会
- 跨团队协作频繁，需要较强的沟通能力和项目管理能力
缺点 / 挑战
- 用户增长领域具有挑战性和高影响力，能直接驱动业务指标
- 算法技术更新迅速，需要持续学习和跟进最新研究，工作强度可能较高
- 广告投放和增长目标对效果要求严格，可能面临业绩压力
- 适合对推荐算法和用户增长有浓厚兴趣，具备扎实编程基础，喜欢数据驱动和创新挑战的求职者
角色解读
- 从算法工程师成长为资深算法专家，深入推荐系统、用户增长或广告算法领域
- 转向技术管理岗位，如算法团队负责人，负责技术战略和团队建设
- 成为领域专家，参与前沿技术研究，推动业务创新
- 负责用户增长相关的推荐算法研发，包括召回、排序、策略、多模态和LLM，提升推荐系统全链路效率
- 设计并优化消息PUSH与触达算法，通过时机、频次和内容生成来提升用户拉新与活跃度
- 开发广告投放算法，面向新用户和流失用户进行精准触达，涉及价值预估、RTA出价和素材优选
- 探索因果推断和强化学习在用户增长中的应用，搭建通用因果平台赋能业务场景
- 基于大模型和用户行为挖掘构建内容池与画像体系，与产品、运营、BI团队协作推动增长目标
- 扎实的推荐算法知识，包括召回、排序和策略优化，以及多模态和LLM应用
- 熟练掌握Java、Python、C++或Scala等编程语言，熟悉Linux系统和Shell命令
- 了解Hadoop、Spark等大数据处理工具，具备数据处理能力
- 具备因果推断和强化学习等前沿算法经验，能够应用于用户增长场景
申请策略
- 研究小红书的产品特点和增长策略，理解社区增长的业务逻辑
- 准备算法案例和项目展示，面试中可能涉及技术深度和问题解决能力的讨论
- 突出推荐算法、用户增长或广告投放相关项目经历，展示具体成果和指标提升
- 强调编程技能，如Java、Python等，以及大数据工具（如Spark）的实践经验
- 提及对LLM、因果推断或强化学习的学习或应用，体现技术深度
- 描述与产品、运营团队协作推动增长目标的案例，展示团队合作能力
- 深入学习因果推断和强化学习的基础理论与实践应用，可通过在线课程或开源项目提升
- 熟悉LLM（如大语言模型）在推荐和广告中的最新进展，探索相关框架和工具
面试指南
- 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验问题
- 从问题定义、方案设计、技术选型、实施和效果评估等步骤阐述算法设计思路
- 强调业务理解和数据驱动，将技术方案与增长目标关联，展示全局视角
- 如何设计一个推荐系统来提升用户增长？请描述关键组件和优化策略
- 在消息PUSH场景中，如何优化推送时机和内容生成以提高用户活跃？
- 如何应用因果推断方法评估广告投放效果？请举例说明
- LLM在推荐算法中有哪些应用？如何结合用户行为数据进行内容生成？
- 描述一个你参与过的用户增长或广告投放项目，遇到的主要挑战和解决方案
职位点评
薪资福利75
成长发展85
工作生活60
使命价值70
薪资福利
75中等
校招岗位薪资具有市场竞争力，能够满足基本补偿需求，但福利细节未在JD中披露。
薪资信号市场水准 (15K-25K/月)
成长发展
85较高
技术栈前沿，涉及LLM、因果推断等新兴技术，提供显著的技能成长空间和创新机会。
技术前沿前沿/新兴技术
技术栈LLM、因果推断、强化学习、推荐算法、用户增长
业务类型profit_center
工作生活
60中等
工作模式未明确提及，但基于现场办公推断，WLB和办公灵活性信息有限。
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
70中等
用户增长领域具有中等社会影响力，行业处于高速增长赛道，创新水平较高。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs