滴滴出行
国际化出行补贴算法工程师
国际化出行补贴算法工程师
发布于 5 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Llm
Sql
Uplift建模
因果推断
强化学习
运筹优化
值不值得投
77综合评分
综合评分 77
滴滴国际化核心算法岗，技术栈前沿且极具挑战，薪资竞争力强，但工作强度与WLB未明确。
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，方便横向比较。
薪资怎么样
4.5万
比算法优化工程师中位数高
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 2170 个在招 · 其中算法优化工程师 27 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 320 个在招
职位详情
关于这个职位
该职位负责滴滴国际化业务的司机补贴算法研发，通过因果推断、弹性建模和运筹优化等方法提升补贴ROI与司机供给效率
你需要深入理解业务场景，探索LLM、Agent等前沿AI技术在策略迭代中的应用，推动算法从规则向智能决策升级
最低要求
任职资格
计算机、统计学、数学、运筹学、经济学等相关专业硕士及以上学历
具备扎实的机器学习、因果推断、深度学习或运筹优化基础，能独立完成中等复杂业务问题的建模、验证和落地
具备较强业务抽象能力，能够从复杂供需、补贴、增长或交易场景中识别核心问题，并转化为可验证的算法方案
熟悉完整机器学习项目流程，包括数据处理、特征工程、模型训练、离线评估、线上实验、效果归因和持续迭代
熟练使用 Python，熟悉 SQL、Hive、Spark 等数据处理工具，具备良好的工程实现能力和代码质量意识
对 LLM、Agent、Auto-Research 等 AI-native 技术有持续学习和应用意愿，能够结合业务问题开展实验并验证价值
具备良好的沟通协作和项目推进能力，能在产品、运营、工程等多角色协同中推动复杂项目落地
工作职责
主要职责
负责国际化司机补贴算法研发，围绕司机上线、接单、完单、供给效率和 ROI，设计并迭代补贴模型与策略
建设司机行为理解与特征表征体系，刻画司机活跃、接单意愿、做单能力、价格/补贴敏感度及区域迁移特征
运用因果推断、弹性建模、Uplift 建模、运筹优化等方法，提升补贴决策的可解释性、可迁移性和长期收益
探索生成式奖励策略、端到端决策、Policy Learning / RL 等新方法，推动补贴算法从规则/模型迭代走向智能决策升级
探索 LLM、Agent、Auto-Research 在业务分析、实验诊断、策略搜索、跨市场迁移中的应用，提升个人和团队研发效率
与产品、工程、运营、数据科学团队协同，推动算法方案从问题定义、建模、实验到放量的完整闭环
优先资格
加分项
有补贴、定价、营销、广告、推荐、供需匹配、交易市场等业务算法经验
有 Uplift 建模、多值 / 连续 Treatment、Treatment Effect、OPE、仿真评估或实验设计经验
有预算约束优化、多目标优化、强化学习、Policy Learning、生成式决策或端到端决策经验
有时空建模、序列建模、司机/用户行为表征、Embedding 或大规模预估模型实践经验
有 LLM 应用、RAG、Agent、SFT、Prompt Engineering、Auto-Research 或自动化实验平台落地经验
有跨国家、跨市场业务支持经验，或具备良好的英语沟通能力
有高质量论文、专利、开源项目或算法竞赛优秀成绩
AI 洞察
优缺点分析
优点
- 团队积极探索LLM、Agent等前沿AI技术，技术栈前沿，有利于保持技术敏锐度
- 依托大平台的数据规模与算力资源，算法落地效果与业务影响力显著
- 国际化业务涉及多国家、多市场，需处理复杂的跨市场迁移与区域差异问题
- 适合具备扎实算法基础、对因果推断和运筹优化有深入研究，且渴望在复杂业务场景中推动前沿AI技术落地的技术人才
缺点 / 挑战
- 接触全球化业务场景，挑战复杂的供需匹配与补贴决策问题，技术深度与广度兼具
- 补贴决策对ROI和成本敏感，算法策略的试错成本较高，对模型可解释性与稳定性要求极高
角色解读
- 从独立负责中等复杂业务问题，逐步成长为主导核心策略迭代与智能决策升级的技术专家
- 深入理解国际化业务，向算法团队负责人或业务技术架构师方向发展
- 负责国际化业务的司机补贴算法研发，设计并迭代补贴模型与策略，提升供给效率与ROI
- 运用因果推断、弹性建模和运筹优化等方法，建设司机行为理解与特征表征体系
- 探索LLM、Agent等AI-native技术在业务分析、策略搜索和跨市场迁移中的应用
- 扎实的机器学习、因果推断、深度学习或运筹优化基础，能独立完成复杂业务建模
- 熟练使用Python、SQL、Spark等工具，熟悉完整的机器学习项目流程
- 具备较强的业务抽象能力，能将复杂供需场景转化为可验证的算法方案
申请策略
- 提前了解滴滴国际化业务的背景，思考不同国家市场在司机供给与补贴策略上的差异
- 准备1-2个将复杂业务问题抽象为算法模型并成功落地的深度案例
- 突出在因果推断、Uplift建模或运筹优化方面的实际项目经验及业务收益
- 展示完整的机器学习项目闭环能力，特别是特征工程、离线评估与线上实验效果归因
- 强调对LLM、Agent等新技术的应用探索，以及跨团队协同推动复杂项目落地的能力
- 深入学习因果推断与Uplift建模的前沿论文与开源框架，提升复杂场景下的建模能力
- 了解强化学习（RL）与Policy Learning在决策优化中的应用，补充端到端决策的技术储备
面试指南
- STAR法则：情境-任务-行动-结果，重点突出业务抽象能力与算法选型逻辑
- 第一性原理：从业务本质（如供需关系、司机效用）出发，推导模型设计，再结合工程实现
- 在补贴场景中，如何设计因果推断实验来准确评估补贴策略的真实Uplift效果？
- 面对预算约束下的多目标优化问题，你会如何建模并求解？
- 如果要将一个市场的补贴策略迁移到另一个全新市场，你会如何设计特征与模型？
- 请分享一个你利用LLM或Agent提升研发效率或业务分析效率的实际案例
- 复习因果推断、Uplift建模、运筹优化的核心理论与经典算法，准备相关代码实现细节
- 深入了解滴滴国际化业务的背景，思考不同国家市场在司机供给与补贴策略上的差异
职位点评
薪资福利85
成长发展90
工作生活50
使命价值70
薪资福利
85较高
作为核心算法岗，薪资福利具备市场竞争力，但JD未明确披露具体薪资与福利细节。
薪资信号未披露（AI估算：3.5千–5.5万/月）
成长发展
90较高
岗位涉及因果推断、运筹优化及LLM/Agent等前沿技术，技术栈极具前瞻性，且业务场景复杂，个人技术成长空间巨大。
技术前沿前沿/新兴技术
技术栈因果推断、Uplift建模、运筹优化、强化学习、LLM、Agent、Auto-Research
业务类型profit_center
工作生活
50较低
JD未提及工作模式与WLB相关信息，算法岗通常面临一定的业务迭代压力，生活化动机满足程度无法明确判断。
工作模式未明确
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
70中等
出行行业属于成熟行业，但国际化业务拓展与AI-native技术探索赋予岗位一定的创新意义与社会连接价值。
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