网易
高级数据挖掘工程师
高级数据挖掘工程师
发布于 大约 7 小时前普通员工/个人贡献者
杭州市
高级经验
全职员工
仅现场办公
硕士
数据分析与科学
数据挖掘
PyTorch
SQL
RAG
TensorFlow
LLM
推荐系统
AI 估算 · 25k–45k
网易大厂高级岗位，硕士3-5年经验，结合AI数据挖掘前沿方向，杭州薪资水平较高。
职位详情
关于这个职位
这是一个在网易音乐事业部的高级数据挖掘工程师岗位，主要负责构建音乐领域的Agent系统数据基础设施，包括RAG知识库、用户画像标签体系与知识图谱
你将结合大语言模型进行文本挖掘与知识抽取，设计效果评估体系并推动A/B测试
工作涉及技术栈包括Python、PyTorch、Spark、LangChain等，适合有推荐系统或AI算法经验，并对LLM Agent感兴趣的候选人
最低要求
硕士及以上学历，计算机、数学、人工智能等相关专业，3年以上数据挖掘、搜索/推荐系统或AI算法经验
精通Python及PyTorch/TensorFlow框架，熟练使用SQL及大数据工具（Spark/Hive）
扎实的机器学习与推荐系统基础，熟悉DeepFM、DIN、Transformer等常用算法，有推荐系统实际落地经验
熟悉大语言模型基本原理，掌握LangChain/LlamaIndex等开发框架，了解Agent核心范式（ReAct、Plan-and-Execute等），具备RAG系统全链路搭建经验（文档解析、向量化、混合检索、重排序）
熟悉向量数据库（Milvus、FAISS等）及MySQL、Redis等常用存储组件
具备优秀的业务理解与逻辑拆解能力，自驱力强，善于跨团队协作
工作职责
主导面向音乐领域垂直Agent系统的数据基建，搭建基础数据（音乐、歌单、艺人、评论）的RAG知识库，构建用户画像标签体系与知识图谱，从海量行为数据中挖掘用户意图与上下文信号
为Agent的记忆模块、规划模块及工具调用提供高质量数据支撑，结合LLM进行文本挖掘、知识抽取等数据挖掘工作
设计Agentic系统的效果评估体系，制定量化指标，负责大规模A/B测试方案设计与归因分析，精准量化策略贡献
将数据挖掘成果封装为标准化服务，协同算法、产品、工程团队推进全流程落地，持续跟踪Agent、MusicQA等前沿技术并推动业务创新
优先资格
加分项：有生成式推荐或Agent项目落地经验
有顶会论文
熟悉多模态处理或知识图谱技术
AI 洞察
优缺点分析
优点
- 身处网易大厂平台，音乐事业部业务稳定，技术栈前沿（LLM+Agent+RAG）
- 岗位核心度高，数据基建直接支撑业务创新，个人贡献可见性强
- 杭州生活成本相对一线城市较低，网易福利体系完善
- 涉及多技术栈（大数据、机器学习、LLM、Agent），要求广而深，学习曲线陡峭
- Agent技术尚在快速发展期，需持续跟踪前沿，保持技术敏感度
- 适合有3年以上数据挖掘或推荐系统经验，对LLM Agent充满热情，渴望在音乐+AI领域深耕的技术人
缺点 / 挑战
- 互联网公司节奏较快，可能面临一定工作压力，需适应跨团队协作
角色解读
- 可向Agent系统架构师或技术专家方向发展，深化LLM和推荐系统交叉领域
- 有机会成长为数据挖掘团队负责人，带领团队推动业务创新
- 积累LLM+推荐系统实战经验后，可转向AI产品经理或更高级别的算法管理岗
- 负责搭建音乐领域的Agent系统数据基础设施，包括RAG知识库、用户画像和知识图谱
- 利用LLM进行文本挖掘和知识抽取，为Agent的记忆与规划模块提供数据支持
- 设计效果评估体系，主导A/B测试和归因分析，量化策略贡献
- 将数据挖掘成果封装为服务，协同算法、产品、工程团队推动落地
- 精通Python及PyTorch/TensorFlow，熟练使用SQL和Spark/Hive等大数据工具
- 扎实的机器学习与推荐系统基础，熟悉DeepFM、DIN、Transformer等算法
- 掌握LLM原理及LangChain/LlamaIndex框架，具备RAG全链路搭建经验
- 熟悉向量数据库（Milvus/FAISS）和常用存储组件（MySQL/Redis）
申请策略
- 了解网易云音乐的业务逻辑和用户场景，在面试中结合具体案例展示数据驱动思维
- 关注Agent在音乐推荐中的创新应用，准备1-2个创新idea
- 突出推荐系统或搜索系统的落地经验，尤其是DeepFM、DIN等算法应用
- 详细描述RAG项目经历：文档解析、向量化、混合检索、重排序等
- 体现LLM开发框架使用经验（LangChain/LlamaIndex）及Agent范式了解
- 如有顶会论文或生成式推荐项目，务必重点展示
- 补充知识图谱相关技术（如Neo4j），增强Agent记忆模块设计能力
- 深入理解ReAct、Plan-and-Execute等Agent核心范式，动手实践
面试指南
- 使用STAR法则：背景-任务-行动-结果，量化指标突出个人贡献
- 对于开放设计题，先明确目标，再拆解模块，最后讨论权衡与评估
- 请介绍一个你主导的推荐系统项目，包括数据、模型和效果
- 如何评估RAG系统的检索质量？有哪些评估指标？
- 解释Agent的ReAct范式，并举例说明如何规划工具调用
- 设计一个A/B测试方案，评估Agent推荐功能对用户留存的影响
- 如何处理冷启动问题？结合音乐领域谈谈
- 复习ML基础，包括推荐算法（FM、DeepFM、DIN）和LLM原理
职位点评
64
综合评分
网易音乐事业部高级数据挖掘工程师，前沿技术栈，薪资有竞争力，WLB一般。
更适合这类人
该职位最适合追求技术成长、愿意接受前沿挑战的求职者，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60
成长发展85
工作生活50
使命价值60
薪资福利
60中等
薪资未明确但大厂高级岗位预计有竞争力，福利未提及，稳定性较好但互联网波动存在。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
85较高
技术栈前沿（LLM、Agent、RAG），但JD未明确提及培训或晋升通道。
技术前沿前沿/新兴技术
技术栈LLM、Agent、RAG、LangChain、PyTorch、Spark、知识图谱
业务类型profit_center
工作生活
50较低
工作地点杭州，未提及远程或弹性工时，互联网公司加班文化可能隐性存在。
工作模式仅现场办公
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
60中等
音乐+AI领域有一定社会价值，但JD未强调使命驱动，创新性中等。
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