DiDi logo
滴滴出行
算法工程师

算法工程师

发布于 1 小时前

普通员工/个人贡献者

AI 估算 · 3.5–6.5万 · AI 参考估算
中级经验
硕士
全职员工仅现场办公算法工程师
算法工程师
Llm/Agent
Sql
Uplift建模
因果推断
机器学习
运筹优化

值不值得投

75综合评分

综合评分 75

增长技术算法岗,前沿方法密集、业务价值清晰,办公灵活性未披露。

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

5.0万

比算法工程师中位数高

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 2420 个在招 · 其中算法工程师 6 个

市场机会

选择适中

北京 · 算法工程师 · 39 个在招

职位详情

关于这个职位

该职位聚焦滴滴司机补贴算法研发,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

你将参与司机行为理解、因果推断、Uplift、运筹优化、强化学习及 LLM/Agent 等方向探索,并推动算法从建模、实验到线上放量闭环

最低要求

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

负责滴滴司机补贴算法研发,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

AI 洞察

优缺点分析

优点

  • 岗位直接关联司机供给效率、完单和 ROI,业务反馈链路清晰,算法价值容易量化
  • 技术栈覆盖因果推断、Uplift、运筹优化、强化学习、LLM 和 Agent,技术深度和广度都比较强
  • 能参与从问题定义到线上实验和放量的完整闭环,有利于积累复杂业务场景下的算法落地经验
  • 跨产品、工程、运营、数据科学协作,能提升业务理解、实验设计和项目推进能力
  • 适合具备机器学习与因果推断基础、希望在高复杂度业务场景中做算法落地的求职者
  • 尤其适合对增长、供需、补贴策略、运筹优化和 AI-native 研发工具有兴趣的人

缺点 / 挑战

  • 补贴算法同时受供需、区域、司机行为和长期收益影响,问题复杂且实验归因难度较高
  • 需要兼顾短期指标和长期收益,对因果建模、策略可解释性和可迁移性要求较高
  • 涉及多角色协同和线上放量,项目推进中可能面临业务约束、工程落地和实验周期压力

角色解读

  • 可向高级算法专家或算法负责人发展,深耕补贴定价、供需匹配、因果决策和强化学习等方向
  • 也可向业务策略与增长决策方向扩展,承担更完整的司机供给增长、交易效率和长期收益优化职责
  • 随着 LLM、Agent、Auto-Research 的落地,未来也可能转向 AI-native 研发工具、智能策略搜索和自动化实验方向
  • 围绕司机补贴场景研发算法模型,优化司机上线、接单、完单、供给效率和 ROI 等核心指标
  • 构建司机行为理解与特征体系,识别司机活跃度、接单意愿、补贴敏感度和区域迁移等行为特征
  • 使用因果推断、弹性建模、Uplift、运筹优化、Policy Learning、RL 等方法设计补贴策略并评估长期收益
  • 与产品、工程、运营、数据科学团队协作,完成从问题定义、建模、实验到线上放量的闭环
  • 需要扎实的机器学习、因果推断、深度学习或运筹优化基础,并能独立建模、验证和落地
  • 需要熟悉完整机器学习项目流程,包括数据处理、特征工程、训练、离线评估、线上实验、归因和迭代
  • 需要熟练使用 Python,并熟悉 SQL、Hive、Spark 等数据处理工具,具备工程实现和代码质量意识
  • 需要具备业务抽象、跨团队沟通和项目推进能力,能把复杂供需与补贴问题转化为可验证方案

申请策略

  • 申请前了解网约车司机供给、补贴、供需匹配和 ROI 优化的基本业务逻辑
  • 面试中尽量用具体项目说明如何从业务问题出发建模,并解释实验设计、指标选择和上线收益
  • 突出与机器学习、因果推断、Uplift、运筹优化、强化学习相关的项目经历,并说明业务指标提升结果
  • 重点展示完整算法项目闭环经验,包括数据处理、特征工程、离线评估、线上实验、效果归因和持续迭代
  • 强调 Python、SQL、Hive、Spark 等工具的实际使用经验,以及代码质量、工程实现和线上落地能力
  • 补充跨团队协作案例,说明如何把复杂业务问题抽象成算法方案并推动上线
  • 强化因果推断、弹性建模、Uplift 和实验归因知识,准备可解释的策略评估方法
  • 熟悉 Policy Learning、RL、生成式奖励策略和 LLM/Agent 在业务分析、实验诊断中的应用思路

面试指南

  • 先明确业务目标、约束条件和核心指标,再说明问题抽象、建模方法、实验设计与上线评估闭环
  • 回答算法方案时,按照“问题定义—数据特征—模型选择—离线验证—线上实验—归因复盘”的结构展开
  • 遇到新技术问题时,先说明其适用边界,再结合具体业务场景讲清可验证的价值和潜在风险
  • 如何设计一个司机补贴模型,同时兼顾上线率、接单率、完单率和 ROI?
  • 因果推断、Uplift 建模和普通预测模型在补贴策略中分别适合解决什么问题?
  • 如何评估补贴策略的长期收益,避免短期指标提升但长期供给效率下降?
  • 请描述一个你完成的机器学习项目,从数据处理、特征工程、离线评估到线上实验的完整流程
  • 如何将 LLM、Agent 或 Auto-Research 应用到业务分析、实验诊断或策略搜索中?

职位点评

薪资福利82
成长发展90
工作生活45
使命价值70

薪资福利

82较高

JD未披露薪资,但岗位要求硕士学历、复杂算法建模和完整落地能力,且涉及增长与 ROI 核心业务,补偿性动机整体有较好支撑。福利信息未提及,无法进一步判断。

薪资信号未披露(AI估算:3.5千–6.5万/月)

成长发展

90较高

岗位覆盖因果推断、Uplift、运筹优化、Policy Learning、RL、LLM、Agent 和 Auto-Research 等方向,技能成长空间很强。JD明确提到探索新方法和推动算法升级,但未提供培训或晋升路径。

技术前沿前沿/新兴技术
技术栈机器学习、因果推断、深度学习、运筹优化、Uplift建模、Policy Learning、RL、LLM、Agent、Auto-Research、Python、SQL、Hive、Spark
业务类型profit_center

工作生活

45较低

JD未明确办公模式、弹性工时或远程安排,也未提及加班情况,因此生活化动机只能基于有限信息判断。工作地点为北京市,通勤便利度需结合具体办公地点确认。

工作模式未明确
办公地点未明确
加班情况未提及(无法判断)

使命价值

70中等

岗位围绕司机补贴、供给效率和长期收益优化,对平台供需效率和司机收益分配有实际业务价值。JD未直接表达社会使命或公共价值导向,意义感更多来自业务影响力。

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