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 4 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
76综合评分
综合评分 76
前沿技术栈、高业务价值的核心算法岗，技术成长空间大，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 310 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
你需要与多团队协同，推动算法方案从问题定义到放量的完整闭环，并探索LLM等AI-native技术在业务中的应用
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
- 接触前沿技术：团队重点探索LLM、Agent、Auto-Research等AI-native技术，技术栈非常前沿
- 业务价值高：直接支撑国际化业务增长，补贴ROI优化对业务营收和效率有直接影响，成就感强
- 国际化视野：面向全球市场，有机会接触跨国家、跨市场的复杂业务场景
- 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，且渴望在国际化复杂业务场景中发挥技术价值的算法工程师
缺点 / 挑战
- 业务复杂度高：国际化市场涉及不同国家的供需特征和政策法规，模型可迁移性和适应性面临挑战
- 跨团队协同多：需要与产品、工程、运营等多角色紧密配合，推动算法方案从实验到放量的闭环，沟通成本较高
角色解读
- 纵向可深耕算法技术，成为因果推断、运筹优化或强化学习领域的算法专家
- 横向可向算法团队负责人或业务技术总监发展，负责更大范围的国际化业务技术战略
- 负责国际化业务的司机补贴算法研发，通过因果推断、弹性建模等方法优化补贴策略，提升司机供给效率与ROI
- 建设司机行为特征表征体系，刻画司机活跃度、接单意愿及补贴敏感度，为精准补贴提供数据基础
- 探索LLM、Agent等AI-native技术在业务分析、策略搜索中的应用，推动算法从规则迭代向智能决策升级
- 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与落地
- 熟练使用Python及SQL、Hive、Spark等数据处理工具，具备完整的机器学习项目流程经验
- 较强的业务抽象能力，能从复杂供需和交易场景中识别核心问题并转化为算法方案
申请策略
- 提前了解滴滴国际化业务在不同国家的市场特点，思考补贴策略的本地化差异
- 准备1-2个从问题定义到最终落地的完整算法项目案例，重点突出业务抽象能力和跨团队推进能力
- 突出因果推断、Uplift建模或运筹优化相关的项目经验，展示如何提升业务ROI或解决供需匹配问题
- 强调完整的机器学习项目落地经验，包括特征工程、模型训练、线上实验及效果归因
- 若有LLM、Agent应用或跨市场业务支持经验，务必在简历中详细展开
- 深入学习因果推断（如Treatment Effect、OPE）和强化学习（Policy Learning）的前沿论文与开源实践
- 了解LLM在自动化实验诊断、策略搜索中的最新应用案例，尝试构建简单的Agent工作流
面试指南
- STAR法则：针对项目经验问题，按照情境、任务、行动、结果结构化回答，重点突出行动中的技术细节和业务思考
- 假设驱动：针对策略设计问题，先明确业务目标和约束条件，提出假设，再说明建模方法和验证手段，最后给出预期收益
- 请详细介绍一个你主导的因果推断或Uplift建模项目，如何评估策略的真实增量效果？
- 在预算约束下，如何设计补贴分配策略以最大化整体ROI？请说明你的建模思路
- 面对不同国家市场的司机行为差异，你的模型如何保证可迁移性？
- 你如何看待LLM/Agent在算法研发或业务分析中的应用？有没有实际落地经验？
- 当算法方案与产品或运营团队的直觉相冲突时，你如何推动方案落地？
- 复习因果推断和运筹优化的核心算法原理，准备应对深度的技术拷问
职位点评
薪资福利80
成长发展90
工作生活50
使命价值75
薪资福利
80较高
作为已上市企业的核心算法岗，薪资福利具备市场竞争力，但JD未明确披露具体薪资结构与额外福利。
薪资信号未披露（AI估算：3.5千–5.5万/月）
成长发展
90较高
岗位涉及大量前沿技术探索（LLM、Agent、因果推断），且面向全球化复杂业务，技术成长与业务视野拓展空间极大。
技术前沿前沿/新兴技术
技术栈Python、SQL、Spark、因果推断、Uplift建模、运筹优化、强化学习、LLM、Agent、Auto-Research
成长机会持续学习和应用意愿、探索...新方法、提升个人和团队研发效率
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有限。
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
75中等
出行行业属于成熟稳定行业，但国际化业务和AI-native技术探索赋予了岗位一定的创新意义与行业前沿价值。
行业发展稳定成熟行业
社会影响中性/一般
使命信号支撑国际化业务增长、提升司机活跃、供给效率与补贴 ROI
创新程度积极采用新技术
Watch Jobs