快手
【快Star】大模型Agent算法工程师-短视频推荐方向
【快Star】大模型Agent算法工程师-短视频推荐方向
发布于 大约 16 小时前普通员工/个人贡献者
北京市
其它
全职员工
仅现场办公
学历未注明
机器学习工程
Llm
Pytorch
多模态
大模型
强化学习
推荐系统
AI 估算 · 30k–60k
北京大厂算法岗，技术前沿，薪资竞争力强，结合行业水平估算。
职位详情
关于这个职位
这是一个在快手负责短视频推荐场景的大模型Agent算法工程师岗位，主要探索LLM在推荐系统中的应用，构建具备规划、工具调用、记忆等能力的智能推荐Agent
你将参与前沿技术研发，拥有亿级数据和充足算力，推动推荐系统向Agent驱动演进，适合对技术有强烈热情的算法工程师
最低要求
计算机、人工智能、机器学习、数学、统计学等相关专业，具备扎实的数据结构、算法及机器学习基础
熟悉 Python、C++ 等至少一种编程语言，具备优秀的工程实现能力，熟悉 Linux 开发环境
熟悉 Transformer、大语言模型、多模态大模型等相关技术，理解 Prompt Engineering、Agent、RAG、Function Calling、Memory、Tool Use 等主流 Agent 技术体系，并具备实际项目经验者优先
熟悉推荐算法、搜索、广告、内容理解、NLP、CV、强化学习等方向之一，具有大规模推荐系统或互联网 AI 产品实践经验者优先
熟悉 PyTorch、TensorFlow 等深度学习框架，具备模型训练、推理优化及大规模分布式训练经验者优先
具备优秀的问题分析能力和创新能力，能够快速阅读论文、复现前沿工作，并结合业务场景完成创新和落地
对 AI Agent、Reasoning、AIGC、世界模型、多 Agent 系统等前沿方向保持持续关注，具有较强的技术热情和探索精神
在 ICML、NeurIPS、ICLR、KDD、WWW、WSDM、ACL、EMNLP、CVPR、ECCV、ICCV、RecSys 等国际会议发表论文者优先
工作职责
负责面向短视频推荐场景的大模型 Agent 能力建设，探索 LLM 在推荐系统中的新范式，打造具备自主规划（Planning）、工具调用（Tool Use）、长短期记忆（Memory）、多 Agent 协同（Multi-Agent）等能力的智能推荐 Agent
结合大语言模型、多模态大模型及推荐系统，构建内容理解、用户理解、策略生成、创作者服务等 Agent 能力，提升推荐效果、用户体验及内容生态质量，实现用户、创作者与平台的长期共赢
探索 Agent 在推荐全链路中的应用，包括但不限于内容消费、内容生产、创作者成长、策略优化、实验分析、算法研发辅助等方向，推动推荐系统从传统模型驱动向 Agent 驱动演进
基于海量用户行为、多模态内容及知识数据，探索 LLM、VLM 与推荐模型的融合方案，包括 Representation Learning、Reward Modeling、Agent RL等方向，持续优化推荐核心指标（时长、留存、互动、VV、满意度等）
跟踪 Agent、LLM、Reasoning、世界模型（World Model）、强化学习等前沿技术发展，结合业务场景快速完成技术验证并推动落地
优先资格
具备实际项目经验者优先（来自第3条）
具有大规模推荐系统或互联网 AI 产品实践经验者优先（来自第4条）
具备模型训练、推理优化及大规模分布式训练经验者优先（来自第5条）
在 ICML、NeurIPS、ICLR、KDD、WWW、WSDM、ACL、EMNLP、CVPR、ECCV、ICCV、RecSys 等国际会议发表论文者优先（第8条）
AI 洞察
优缺点分析
优点
- 前沿技术探索：接触大模型Agent、多模态等最热门方向，技术成长快
- 业务场景丰富：亿级用户数据，真实场景落地，验证和迭代Agent能力
- 平台资源充足：大厂算力数据和基础设施完善，支持创新尝试
- 行业前景好：Agent是AI重要趋势，经验价值高
- 技术难度大：涉及LLM、推荐、强化学习等多领域，对综合能力要求高
- 不确定性高：Agent在推荐中仍处于探索阶段，可能面临反复试错
- 工作强度可能较大：互联网大厂核心算法岗，需要快速迭代和关注前沿
- 适合对技术和创新有强烈热情、能适应高强度研究型工作的算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕大模型与推荐系统融合，成为Agent方向核心技术专家
- 技术管理路线：积累业务和团队经验，未来可带团队负责核心算法方向
- 跨领域发展：结合业务场景，向AI产品架构师或技术顾问方向发展
- 负责构建短视频推荐场景下的大模型Agent，探索LLM在推荐系统中的新范式
- 开发内容理解、用户理解、策略生成等Agent能力，提升推荐效果和用户体验
- 尝试将Agent应用于推荐全链路，推动推荐系统从传统模型向Agent驱动演进
- 融合LLM、VLM与推荐模型，研究表示学习、奖励建模和Agent强化学习以优化核心指标
- 扎实的计算机基础和机器学习理论
- 熟悉Python/C++，具备优秀工程能力
- 掌握Transformer、大语言模型、多模态大模型，了解Agent技术体系
- 熟悉推荐算法、NLP、CV、强化学习等方向之一，有深度学习框架经验
申请策略
- 了解快手短视频推荐业务，结合具体场景思考Agent应用
- 准备一个自己主导的项目故事，突出技术难点和解决方案
- 突出大模型、Agent相关项目经历，尤其是实际落地案例
- 强调推荐系统或相关领域的实战经验
- 展示论文发表或github成果，体现研究能力
- 写明编程能力和框架使用细节
- 系统学习Agent主流框架（如LangChain、AutoGPT）和核心技术
- 深入理解推荐系统经典模型，并关注LLM推荐融合论文
面试指南
- 先理解问题核心，再结合业务场景给出结构化回答
- 引用相关论文或实际项目支撑观点
- 展现思考过程，从问题定义、方案设计、实验评估等维度展开
- 如何将大模型Agent应用于推荐系统？请给出一个具体方案
- 你如何设计Agent的记忆机制来提升推荐效果？
- 请解释Multi-Agent协同在推荐场景中的必要性和实现方式
- 在大规模分布式训练中，你如何处理数据并行和模型并行？
- 你如何看待当前Agent在推荐领域的挑战和未来趋势？
职位点评
70
综合评分
前沿大模型Agent算法岗，技术成长快，薪资有竞争力，但工作强度可能较大。
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。
更适合这类人
最适合追求技术成长和前沿探索的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利65
成长发展92
工作生活50
使命价值70
薪资福利
65中等
JD未提及具体薪资福利，但快手作为上市大厂，薪酬竞争力较强，综合行业水平来看有一定保障。
薪资信号未披露（AI估算：30K-60K/月）
成长发展
92较高
JD强烈强调技术前沿探索和成长空间，提供丰富数据算力资源，对技术成长极为有利。
技术前沿前沿/新兴技术
技术栈大模型、Agent、LLM、VLM、多模态、强化学习、Transformer、PyTorch、TensorFlow、RAG
成长机会技术成长空间广阔、参与行业前沿技术创新、推动科研成果快速转化为业务价值
业务类型ambiguous
工作生活
50较低
JD未提及工作生活平衡，地点固定北京，可能需应对高强度研发节奏。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
推荐Agent是前沿方向，行业增长快，但社会影响力中性，更多是商业价值。
行业发展高速增长赛道
社会影响中性/一般
使命信号实现用户、创作者与平台的长期共赢
创新程度开拓性创新（行业首创）
快手 的其他在招职位
相似职位推荐
Watch Jobs