大模型搜索算法工程师

优缺点分析

角色解读

• 你可以深入技术，在生成式检索、模型架构、意图理解等细分领域成为技术专家
• 随着经验积累，可以负责更复杂的搜索子系统或算法模块，向技术负责人方向发展
• 长期来看，有机会引领搜索算法的技术方向，或转型至AI相关的技术管理岗位
• 你将负责探索将大模型（如LLM）技术应用于短视频搜索的核心算法中，提升搜索的准确性和智能化水平
• 具体工作包括设计和实现生成式检索算法，以应对百亿级别的超大规模候选库挑战
• 你需要研究新的排序模型范式，探索在搜索场景下的模型扩展规律，以更高效地利用算力
• 同时，你还将参与构建基于大模型的意图理解系统和自动化评测平台，保障算法质量与迭代效率
• 必须具备扎实的机器学习、数据挖掘理论基础，以及对搜索、推荐、广告算法（搜广推）的深入理解
• 需要拥有大语言模型（LLM）或多模态大模型（MLLM）的研究或应用经验，了解其前沿动态
• 必须具备强大的工程实现能力，熟练使用C/C++和Python进行算法开发和系统构建
• 出色的分析问题和解决问题的能力是应对复杂技术挑战的关键

申请策略

• 研究快手搜索产品的特点、技术博客或公开分享，了解其技术栈和面临的挑战，在面试中展现你的理解
• 准备好详细阐述你过去最具挑战性的算法项目，包括问题定义、技术方案选型、遇到的难点及解决方案
• 突出与搜广推、LLM/MLLM相关的研究项目或实习经历，特别是涉及模型设计、优化或工程落地的部分
• 强调处理大规模数据（如百亿级）的实践经验，以及优化算法效率、性能的具体成果
• 清晰展示编程语言（C/C++/Python）的熟练度和解决复杂问题的项目案例
• 深入学习生成式检索、模型扩展规律（scaling law）等前沿方向，阅读相关论文并尝试复现
• 加强C++高性能编程和分布式系统相关知识，以应对大规模系统的工程要求
• 了解自动化评测系统的设计理念和常用方法，为构建高效评测体系做准备

面试指南

• 对于概念性问题，先给出清晰定义，再从原理、优势、挑战和应用场景几个方面展开论述，并结合自己的理解
• 对于系统设计类问题，先明确核心目标与约束（如延迟、召回率），再分模块（如召回、排序、重排）阐述技术选型与权衡，最后考虑工程实现与扩展性
• 对于案例分享类问题，使用STAR法则（情境、任务、行动、结果）结构化描述，重点突出你的决策过程和量化成果
• 请解释一下什么是生成式检索，以及它与传统检索方法相比有什么优势和挑战？
• 如何设计一个能够适配百亿级候选库的生成式检索系统？关键考虑点是什么？
• 你对模型scaling law有什么理解？在搜索排序场景下，可能会如何应用或探索？
• 请描述一个你过去解决过的、涉及大规模数据和复杂模型的工程优化案例
• 你如何看待大模型在搜索意图理解中的应用？可能会遇到哪些难点？