资深算法工程师

优缺点分析

角色解读

• 成为ETA领域的算法专家，深入掌握时空数据建模和大模型技术
• 向技术leader方向发展，带领团队推动核心算法创新和业务落地
• 横向扩展到地图其他算法方向（如路径规划、定位等），或转向搜广推、多模态等AI领域
• 负责滴滴出行ETA核心算法的迭代优化，提升时间预估准确率，直接影响用户出行体验
• 探索多模态时空感知大模型，包括预训练、微调、RAG等技术，并与ETA场景适配
• 将搜广推领域的成熟排序预估技术迁移至ETA场景，解决长序列建模、多任务学习等实际问题
• 负责算法工程化落地，保障线上系统稳定性与性能，并跟踪学术前沿进行创新应用
• 扎实的搜广推算法基础，熟悉CTR/CVR预估经典算法，能够将相关技术迁移至新场景
• 大模型落地经验，熟悉LLM微调方法（RAG、LoRA、P-Tuning）及Agent搭建
• 扎实的工程能力，熟练使用Python/C++，熟悉TensorFlow/PyTorch，具备大规模模型训练经验
• 良好的沟通能力和业务理解力，能够与产品、工程团队高效协作

申请策略

• 在简历和面试中准备一个完整的技术攻关案例，从问题定义、方案设计到落地效果
• 了解滴滴地图业务现状和ETA的重要性，展示对业务的理解和兴趣
• 突出搜广推算法项目经验，如CTR/CVR预估模型、多任务学习、长序列建模等
• 强调大模型落地经验，包括LLM微调（RAG、LoRA等）、Agent搭建及性能优化
• 展示工程能力，如大规模模型训练、Python/C++项目、系统稳定性保障案例
• 如果有地图、出行或物流领域经验，务必单独列出并说明成果
• 系统复习搜广推经典算法（如DeepFM、DIN、DIEN等），并尝试复现
• 深入学习大模型微调技术（特别是RAG与LoRA），参与相关开源项目或实践

面试指南

• 按STAR法则（情境-任务-行动-结果）清晰阐述项目经历，重点突出技术难点和最终效果
• 迁移思路：先分析两个场景的共性与差异，然后说明如何调整模型结构、损失函数或训练策略
• 工程化方面：强调离线训练效率、在线推理延迟优化、A/B测试与监控告警等实践
• 请介绍你在搜广推领域做过的排序/预估模型，如何解决长序列建模和多任务学习问题？
• 谈谈你在大模型微调（RAG/LoRA/P-Tuning）方面的实际经验，遇到过哪些挑战？
• ETA场景与搜索推荐场景有哪些异同？如何将搜广推技术迁移到ETA中？
• 如何保障线上算法的稳定性与性能？请举例说明
• 你对多模态时空感知大模型有什么理解和想法？