滴滴出行
高级算法工程师
高级算法工程师
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Llm/Agent
Uplift模型
因果推断
国际化业务
定价策略
强化学习
数据建模
机器学习
算法落地
值不值得投
78综合评分
综合评分 78
核心出海业务、前沿算法栈、业务导向极强、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，方便横向比较。
薪资怎么样
5.8万
比机器学习工程中位数高
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 2320 个在招 · 其中机器学习工程 38 个
市场机会
选择面较广
北京 · 机器学习工程 · 约 550 个在招
职位详情
关于这个职位
负责国际化业务核心定价补贴策略的算法研发，运用因果推断、强化学习及LLM/Agent等前沿技术构建动态定价与智能补贴系统
直接驱动司乘定价与补贴决策，提升订单量、GMV及毛利等核心业务指标，助力滴滴出海战略成功
最低要求
). 计算机等理工类相关专业硕士及以上学历
在营销增长、广告、推荐、O2O履约等领域具有1年以上工作经验
). 优秀的业务sense，扎实的算法技术能力，善于把业务问题系统化拆解建模为算法问题，并高效解决，在业务中落地
). 在机器学习（因果推断/uplift模型，表征学习，scaling up）、决策优化（强化学习，生成式决策）、Agentic Workflow（模型/策略自主迭代）等领域有较强的积累
). 编程基础扎实，算法落地能力强，熟悉LLM/Agent在日常工作中的应用
). 优秀的沟通协调能力，主动推进算法落地，能负责复杂项目的规划、技术攻坚，有拿到优秀业务结果的履历
). 善于思考，逻辑清晰，有优秀的问题分析和解决能力，对挑战性问题充满激情
工作职责
基于国际化业务的双边动态交易市场，综合运用机器学习（因果推断/uplift模型，表征学习，scaling up）、决策优化（强化学习，生成式决策）、Agentic Workflow（模型/策略自主迭代）等前沿算法和技术，设计最核心的定价补贴策略，以此驱动司乘动态定价、智能司机补贴、智能乘客补贴等系统，支持国际化所有国家和城市，直接提升国际化业务核心指标，助力滴滴在国际市场的成功
优先资格
). 英语流利加分
AI 洞察
优缺点分析
优点
- 切入公司核心战略出海业务，直接参与高增长赛道的底层算法建设
- 技术栈高度前沿，深度融合因果推断、强化学习与LLM Agent，极具个人技术壁垒
- 业务闭环完整，算法结果直接挂钩GMV与毛利，成果可见性强且易量化
- 国际化团队氛围，提供与全球同事协作的机会，有助于拓宽技术与业务视野
- 海外多国家/城市市场差异大，需应对数据稀疏、冷启动及合规性等复杂现实约束
- 定价补贴涉及多方利益博弈，算法调优需在商业收益、用户体验与风控之间寻找平衡
- 前沿技术（如Agent自主迭代）在实际生产环境中的稳定性与可解释性仍需持续攻坚
- 适合具备扎实算法功底、对商业变现敏感，且渴望在高速扩张的出海业务中通过技术直接驱动增长的求职者
缺点 / 挑战
- 业务节奏快且指标压力大，需具备极强的抗压能力与跨部门协同推进能力
角色解读
- 纵向深耕：向首席算法科学家或领域技术专家发展，主导公司级定价架构演进
- 横向拓展：转向商业化策略负责人或产品技术复合型管理岗，统筹出海业务增长
- 前沿探索：持续跟踪LLM/Agent在运筹优化中的突破，成为AI+运筹交叉领域的领军人物
- 负责国际化市场司乘动态定价与智能补贴系统的算法设计与策略迭代
- 将复杂的业务场景（如双边交易市场）拆解为可量化的算法建模问题
- 主导因果推断、强化学习及大模型Agent技术的落地应用，直接驱动核心业务指标增长
- 跨团队协作推进算法方案在生产环境的部署与效果监控
- 精通机器学习核心算法，尤其在因果推断、Uplift模型及表征学习方面有实战积累
- 掌握决策优化技术，熟悉强化学习与生成式决策在动态定价中的应用
- 具备扎实的编程与工程落地能力，能快速验证算法假设并处理大规模线上数据
- 拥有敏锐的业务洞察力，能将模糊的商业诉求转化为清晰的算法目标与评估体系
申请策略
- 提前研究滴滴出海业务（如Grab、DiDi Global）的定价机制与竞争格局，面试时可提出针对性见解
- 准备1-2个完整的算法项目复盘，重点说明业务痛点、技术选型依据及最终商业回报
- 重点突出因果推断、Uplift或强化学习在真实业务场景中的落地案例与量化收益
- 强调算法从0到1的搭建过程，包括特征工程、离线实验设计到线上A/B测试的全链路经验
- 展示对LLM/Agent在策略生成或自动化调参中的应用实践，体现技术前瞻性
- 用STAR法则描述如何拆解复杂业务问题，并通过算法手段实现核心指标显著提升
- 深入研读因果推断与 uplift modeling 的经典论文与工业界最佳实践，补齐理论短板
- 熟悉主流强化学习框架（如Ray RLlib、Stable Baselines）及在线学习/上下文Bandit算法
面试指南
- 采用STAR结构回答项目类问题：背景痛点→技术选型与对比→实施细节→量化结果→复盘反思
- 针对算法设计题，先界定业务边界与约束条件，再分层给出基线方案、进阶优化与长期演进路线
- 面对指标冲突问题，展示多维评估思维，结合长期LTV、风控阈值与灰度发布策略给出系统性解法
- 请分享一个你使用因果推断或Uplift模型解决实际业务问题的完整案例
- 在数据稀疏或冷启动的海外市场，你会如何设计动态定价算法？
- 强化学习在实时定价场景中面临哪些挑战？如何解决样本效率与探索风险？
- 如果线上A/B测试显示补贴策略短期GMV上升但长期留存下降，你会如何调整？
- 谈谈你对LLM/Agent在策略自动生成或超参数调优中应用的理解与实践
职位点评
薪资福利75
成长发展92
工作生活65
使命价值78
薪资福利
75中等
薪资未明确披露，但作为头部科技企业核心业务岗，通常具备较强的市场竞争力与完善的薪酬福利体系。
薪资信号面议 (4.5千–7.0万/月)
成长发展
92较高
职位深度融合前沿算法与业务创新，技术栈处于行业领先地位，能为求职者提供极高的技术成长空间。
技术前沿前沿/新兴技术
技术栈因果推断、Uplift模型、表征学习、强化学习、生成式决策、Agentic Workflow、LLM、Agent
业务类型profit_center
工作生活
65中等
职位描述未明确提及办公模式与工时安排，常规技术岗通常以现场办公为主，工作强度取决于业务冲刺周期。
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
78中等
岗位直接支撑公司核心出海战略，技术成果显著影响商业价值与用户体验，具备明确的业务使命感。
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