百度
推荐算法实习生（J106669）
推荐算法实习生（J106669）
发布于 3 小时前实习/见习
实习生仅现场办公推荐系统
推荐系统
A/B测试
Prompt工程
Sql
大模型
推荐系统
数据分析
机器学习
值不值得投
72综合评分
综合评分 72
前沿技术栈、业务核心导向、成长空间大，薪酬为常规实习水平，WLB待确认
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便比较实习机会。
薪资怎么样
6.0千
比推荐系统中位数低
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 1350 个在招 · 其中推荐系统 10 个
市场机会
选择面较广
北京 · 推荐系统 · 71 个在招
职位详情
关于这个职位
负责推荐算法方向的实习工作，主要涉及用户画像构建、内容召回与排序策略优化，以及基于大模型的内容生成与审核
同时需挖掘高价值用户行为信号，支持增长策略与搜索关键词优化，并通过A/B实验评估策略效果，持续迭代产品体验
最低要求
本科及以上在读，计算机、人工智能、数学、统计等相关专业
熟练使用Python和SQL，能够独立完成数据处理、分析及基础策略开发
掌握机器学习和统计学基础，了解推荐系统或广告算法的基本方法
熟悉大模型的使用，有Prompt设计、模型评估或Agent应用实践
对用户行为和产品体验有兴趣，能从数据与具体案例中发现问题，并推动验证和改进
具备良好的沟通与协作能力，代码规范、做事细致，对结果负责
工作职责
推荐策略：参与用户画像、内容召回、排序与多样性策略建设，结合用户记忆和历史任务，探索个性化任务推荐
内容供给：利用大模型挖掘、生成、分类和评估推荐内容，建设内容审核、任务预执行与缓存回放流程，提升内容质量和交付体验
增长策略：挖掘与留存、付费相关的高价值行为信号，支持媒体回传与人群优化
参与搜索关键词扩展、分类及个性化落地页承接
效果分析与实验：分析用户行为与付费路径，建设指标看板，通过A/B实验评估策略对有效使用、留存和付费的增量贡献
AI 洞察
优缺点分析
优点
- 依托头部平台资源，接触海量真实业务场景与前沿大模型技术
- 算法团队技术氛围浓厚，能积累高价值的推荐系统与A/B实验实战经验
- 直接参与核心业务链路，项目成果对业务指标影响显著，履历含金量高
- 业务线竞争激烈，需快速适应高强度迭代节奏与多线并行任务
- 策略效果直接关联核心指标，对数据敏感度与实验设计严谨性要求极高
- 适合计算机/AI相关专业在校生，对数据驱动决策感兴趣，具备扎实编程基础与算法理论，渴望在头部互联网平台积累实战经验的求职者
缺点 / 挑战
- 大模型与传统推荐算法融合带来技术栈更新压力，需保持持续学习状态
角色解读
- 可向资深推荐算法工程师或AI策略专家方向深耕，逐步主导核心业务线的算法架构设计
- 横向可拓展至大模型应用研发、数据科学或商业化策略领域
- 积累一线大厂实战经验后，具备冲击头部科技企业核心算法岗位的竞争力
- 负责推荐系统的核心策略开发与迭代，包括用户画像构建、内容召回与排序模型调优
- 利用大模型技术优化内容生成、审核与分发流程，提升内容质量与用户体验
- 深入挖掘用户行为数据，支持搜索关键词扩展与落地页个性化承接
- 通过A/B实验量化策略价值，持续驱动业务指标增长
- 熟练掌握Python与SQL进行高效数据处理与策略开发
- 具备扎实的机器学习与统计学基础，熟悉推荐系统或广告算法底层逻辑
- 能够灵活运用大模型进行Prompt工程设计与效果评估
- 拥有敏锐的数据洞察力，能通过实验设计验证假设并推动产品迭代
申请策略
- 提前研究百度推荐业务特点，准备1-2个完整的算法项目复盘案例
- 关注团队近期技术博客或开源项目，展现技术热情与业务理解深度
- 突出Python/SQL熟练度及机器学习项目经历，详细展示推荐系统或大模型相关实践
- 强调A/B实验设计与数据分析能力，量化项目带来的指标提升
- 展示代码规范意识与跨团队协作经验，体现工程落地能力
- 补充推荐系统经典论文阅读与工业界实践框架，强化特征工程与模型训练流程
- 强化大模型微调、RAG或Agent开发实操经验，熟悉主流LLM API调用与Prompt优化技巧
- 掌握常用数据统计检验方法与实验平台操作逻辑，提升归因分析能力
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化回答项目经历，重点突出数据指标变化与技术选型依据
- 针对实验设计问题，明确对照组设置、样本量计算、显著性检验逻辑与长期/短期指标权衡
- 针对算法策略问题，先阐述业务痛点，再给出分层解决方案（如规则+模型+探索机制），最后说明验证路径
- 请介绍一个你参与的推荐系统或排序算法项目，说明你的具体贡献与效果提升
- 如何设计A/B实验来评估新策略对留存和付费的影响？需要注意哪些统计陷阱？
- 面对新用户冷启动问题，你会采用哪些召回或排序策略进行突破？
- 在大模型应用中，如何设计有效的Prompt并进行模型输出质量的自动化评估？
- 复习机器学习基础理论与推荐系统核心算法（如FM、DSSM、双塔模型、多目标学习）
职位点评
薪资福利65
成长发展90
工作生活50
使命价值75
薪资福利
65中等
实习津贴处于互联网大厂中等偏上水平，但作为实习生岗位整体薪酬回报有限，稳定性与长期福利保障相对较弱。
薪资信号未披露（AI估算：4.5–7.0千/月）
成长发展
90较高
岗位深度融合推荐系统与前沿大模型技术，提供丰富的业务场景与A/B实验机会，技术成长空间广阔。
技术前沿前沿/新兴技术
技术栈Python、SQL、机器学习、推荐系统、大模型、Prompt设计、Agent
业务类型profit_center
工作生活
50较低
未明确提及办公模式与工时安排，互联网算法岗通常面临一定的项目迭代压力，WLB表现取决于具体团队节奏。
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
75中等
推荐算法直接赋能内容生态与商业化变现，具有明确的商业价值与社会影响力，但创新更多体现在技术应用层面。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs