滴滴出行
专家工程师（乘客）
专家工程师（乘客）
发布于 3 小时前普通员工/个人贡献者
全职员工仅现场办公推荐系统
推荐系统
Ai工程化
后端开发
大模型
推荐系统
高并发架构
Ctr/Gmv优化
Go/Java/C++/Python
Kafka/Flink/Spark
值不值得投
79综合评分
综合评分 79
核心业务研发岗、技术栈前沿、成长空间大，但工作强度与WLB需做好心理准备
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
5.5万
比推荐系统中位数高
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 2240 个在招 · 其中推荐系统 3 个
市场机会
选择面较广
北京 · 推荐系统 · 69 个在招
职位详情
关于这个职位
该职位主要负责构建滴滴下一代智能推荐系统，深度融合大模型与传统推荐架构
候选人将主导乘客侧推荐场景的架构设计与研发，参与特征、模型、推理等全链路建设，持续优化CTR、GMV等核心指标
同时需推动AI工程化落地，构建人机协同研发模式，保障系统高可用与高性能
最低要求
本科及以上学历，5 年以上后端或推荐/广告/搜索系统研发经验
扎实计算机基础，精通至少一门语言（Go / Java / C++ / Python），具备良好工程能力
熟悉推荐系统核心链路（召回/排序/特征/推理）或大数据技术栈（Kafka / Flink / Spark 等）
具备 AI 工程实践经验，能将大模型融入研发流程，并具备判断与取舍能力（不过度依赖 AI）
工作职责
负责乘客侧推荐系统架构设计与研发，支撑首页、车型、预期管理等场景的个性化推荐能力
参与推荐系统全链路建设（特征 / 样本 / 模型 / 推理 / 策略），持续优化 LTV、CTR、GMV 等核心指标
设计高并发、低延迟在线服务，建设实时特征与稳定性体系，保障系统可用性与性能
推动 AI 工程化落地（AI Coding / Agent / Prompt），构建人机协同研发模式并沉淀工程资产
优先资格
有推荐/广告/搜索系统实际落地经验或复杂系统架构经验
熟悉主流推荐模型（Wide&Deep / DeepFM / DIN / DSSM）及推理框架（TensorFlow / PyTorch / Triton 等）
有实时特征、在线学习或推荐平台（策略/实验/特征）建设经验
有系统化 AI Coding 落地经验（如效率提升、代码生成体系、Agent 实践等）
AI 洞察
优缺点分析
优点
- 深度融合前沿大模型与传统推荐架构，技术视野开阔
- 平台规模大，工程规范完善，有利于积累高并发系统设计经验
- 内部竞争激烈，对技术深度与业务理解要求严苛
- 适合具备5年以上推荐/后端研发经验，对大模型落地与高并发系统架构有浓厚兴趣，且抗压能力强、追求技术深度的工程师
缺点 / 挑战
- 处于网约车头部平台核心流量入口，业务数据丰富且技术挑战性强
- 核心指标（CTR/GMV/LTV）优化压力较大，需持续应对业务增长瓶颈
- AI工程化落地涉及新旧架构融合与团队习惯转变，推进难度较高
角色解读
- 可向资深算法架构师或技术专家方向深耕，主导更复杂的业务场景与底层基础设施建设
- 也可向技术管理岗转型，带领团队负责更大规模的推荐系统演进与AI工程化战略落地
- 主导乘客侧推荐系统的架构设计与核心代码研发，覆盖从特征工程到模型推理的全链路
- 负责高并发在线服务的性能调优与稳定性建设，保障系统低延迟与高可用
- 推动AI工具链（Coding/Agent/Prompt）在研发流程中的落地，提升团队工程效能
- 扎实的计算机基础与至少一门主流编程语言深度掌握
- 精通推荐系统核心链路（召回/排序/特征/推理）或大数据处理技术栈
- 具备大模型工程化实践经验，能将其有效融入现有研发工作流
申请策略
- 提前了解当前业务场景与推荐系统公开的技术资料，展现对业务的深刻理解
- 准备1-2个完整的高并发或AI落地项目案例，重点说明架构选型依据与难点攻克过程
- 突出推荐系统全链路实战经验，量化CTR/GMV等核心指标的提升效果
- 详细阐述高并发系统设计与稳定性保障的具体方案
- 展示AI工具链（如Agent/代码生成）在实际项目中的落地成果与效能提升数据
- 深入研读主流推荐模型（DIN/DSSM等）及最新大模型微调/推理优化技术
- 补充实时计算框架（Flink/Kafka）与分布式系统架构知识
- 强化工程效能工具开发与自动化测试实践能力
面试指南
- 采用STAR法则结构化回答，清晰界定背景、任务、行动与结果
- 针对架构问题，重点阐述权衡思路（Trade-off）与数据验证过程
- 针对AI落地问题，强调工程思维与业务价值的结合，避免纯理论堆砌
- 请详细介绍你主导过的推荐系统架构，如何平衡召回准确率与推理延迟？
- 在大模型落地过程中，遇到过哪些工程化瓶颈？你是如何解决和取舍的？
- 如何设计高并发场景下的实时特征更新与一致性保障机制？
- 复习分布式系统核心概念（CAP定理、一致性协议、缓存策略）及推荐系统经典论文
- 梳理过往项目中关于性能优化、故障排查的具体案例
职位点评
薪资福利85
成长发展90
工作生活60
使命价值70
薪资福利
85较高
薪资对标一线城市核心技术专家水平，整体薪酬竞争力较强，补偿性动机满足度高。
薪资信号未披露（AI估算：4.0千–7.0万/月）
成长发展
90较高
岗位深度融合大模型与推荐系统前沿技术，提供丰富的技术探索空间与成长路径。
技术前沿前沿/新兴技术
技术栈推荐系统、大模型、AI Coding、Agent、Prompt、Go、Java、C++、Python、Kafka、Flink、Spark
业务类型profit_center
工作生活
60中等
核心研发岗位通常面临较快的迭代节奏与业务交付压力，具体办公模式与工时安排需以公司实际规定为准。
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
70中等
致力于通过智能决策提升出行体验，具有一定社会价值与技术使命感。
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