搜索推荐策略工程师（J105621）

优缺点分析

角色解读

• 纵向可深耕推荐算法与大模型结合的前沿技术，成长为搜推领域的资深技术专家
• 横向可向推荐业务负责人或策略产品方向发展，统筹用户增长与商业化变现策略
• 负责推荐系统核心链路（召回与排序）的模型迭代与优化，直接对场景转化率和用户活跃度负责
• 探索并落地大模型（LLM）与生成式技术在推荐场景中的应用，如生成式召回、语义ID等前沿方向
• 完成从离线数据处理（Hive/Spark）到在线策略服务（C++）的全链路工程开发，并引入Agent提升研发效率
• 深厚的搜推算法理论基础，熟练掌握经典模型（如DIN、双塔、MMOE）及大模型对齐训练方法（SFT、DPO等）
• 扎实的工程落地能力，精通Python/SQL进行大数据处理，并具备C++线上服务代码修改能力
• 严谨的数据分析与实验设计能力，能独立设计A/B实验并准确进行因果推断与效果归因

申请策略

• 在简历或面试中展现对“相关≠因果”的深刻理解，准备过往A/B实验中识别指标陷阱或流量转移的真实案例
• 重点突出在搜索推荐或信息流方向的实战经验，尤其是召回/排序模型优化带来的具体业务指标提升（如CTR、转化率）
• 详细展示在大模型或生成式技术（如LLM、DPO、生成式召回）方面的探索或落地项目，体现技术前瞻性
• 强调全链路工程能力，包括Hive/Spark大数据处理经验以及C++线上服务开发或优化经验
• 提前熟悉大模型在推荐系统中的应用范式（如语义ID、Next-token prediction），了解SFT、DPO等对齐训练方法
• 复习并巩固C++基础及Linux开发环境操作，确保能应对线上服务代码的修改与调试

面试指南

• STAR法则：针对项目经验，按照情境(Situation)、任务(Task)、行动(Action)、结果(Result)结构化表达，重点突出Action中的技术细节和Result中的数据收益
• 假设驱动排查：针对实验或线上问题，先提出假设（如流量不均、指标口径错误、系统延迟），再通过数据验证假设，最后得出结论
• 请详细介绍一个你主导的推荐链路（召回或排序）优化项目，遇到了什么瓶颈，如何解决的？
• 在推荐场景中，你认为大模型（LLM）最适合解决什么具体问题？请分享你的技术思路或落地经验
• 如何设计一个A/B实验来评估新策略的长期效果？如果实验组在短期指标上显著，但长期留存下降，你会如何排查原因？
• 在C++线上服务中，如果模型推理延迟突然增加，你会如何排查和定位问题？
• 深入复习搜推经典模型（如DIN、MMOE）的底层原理及推导，并准备大模型在推荐中应用的最新论文或业界实践
• 梳理过往项目中的A/B实验设计细节，特别是如何处理样本选择偏差、网络效应或指标口径不一致的问题