米哈游
AI 应用工程师 — 广告投放方向
AI 应用工程师 — 广告投放方向
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人工智能
人工智能
Go
Llm
Rag
Rta
Starrocks
分布式系统
广告投放
归因体系
值不值得投
67综合评分
综合评分 67
广告AI核心技术岗，技术栈前沿，业务价值明确，但工作模式与WLB信息不明确，需进一步确认。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
4万
比人工智能中位数高
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 920 个在招 · 其中人工智能 4 个
市场机会
选择面较广
上海 · 人工智能 · 约 260 个在招
职位详情
关于这个职位
这是一个专注于广告投放领域的AI应用工程师岗位
你将负责研发和优化AI驱动的广告投放系统，包括智能问答、预算优化、出价策略、素材理解生成及投放平台工具化，旨在显著提升广告投放的效率与效果
最低要求
本科及以上学历，计算机及相关专业，3–5 年研发经验，精通 Java 或 Go，熟练使用 Python，具备扎实的计算机基础与系统设计能力
具备 Agent 应用生产落地经验，熟练掌握至少一种主流 Agent 开发框架，深入理解任务规划、工具调用、上下文工程与记忆管理，具备复杂任务编排或多 Agent 协作的设计与实现经验
具备生产环境下的 RAG 系统建设与持续优化经验，掌握 Embedding、混合检索与重排序，能够围绕真实业务数据优化知识召回、回答准确性与系统性能
具备 LLM / Agent 评测与调优经验，能够构建业务评测集、定位效果瓶颈，通过模型选型、提示词优化与调用链路调优，提升任务成功率，平衡效果、时延与成本
深入理解并发编程与分布式系统，熟悉 MySQL、Redis、消息队列等技术，具备高并发、低延迟系统设计及性能调优经验
熟悉 StarRocks、ClickHouse、Hive、Flink 等技术中的一种或多种，具备数据建模、复杂 SQL 优化及实时或离线数据处理能力
工作职责
负责广告投放 AI 应用研发，围绕智能问数、投放诊断、预算分配、出价优化及自动化执行，提升投放效率与效果
负责广告素材智能化建设，覆盖多模态理解、自动打标、语义检索及内容生成与编辑，结合素材特征与投放数据，支持素材优选、效果衰退识别和创意迭代
负责广告投放平台建设及境内外媒体接入，将投放、素材与数据能力封装为标准化 API / MCP 工具，支撑 Agent 编排与调用
负责 RTA 实时参竞系统研发与架构升级，结合用户画像与算法模型，支持拉新、促活、拉收等差异化策略，提升广告 ROI
负责境内外广告回传与归因体系建设，完善数据链路，支撑效果衡量、策略实验与持续优化
负责 AI 应用评测与技术迭代，持续优化任务成功率、内容理解与生成质量、响应时延及模型成本
优先资格
熟悉游戏广告业务，具备媒体接入、RTA、用户画像、转化回传或广告归因经验
熟悉多模态大模型，有素材理解、自动打标、创意分析、语义检索或 AIGC 相关应用经验
有广告 AI 应用落地经验，熟悉获客成本、ROAS、LTV 等指标，能够结合留存、付费数据及 A/B 实验评估策略效果，并取得可量化的业务收益
AI 洞察
优缺点分析
优点
- 技术栈前沿，直接应用Agent、RAG、LLM等当前最热门的大模型技术解决实际业务问题
- 业务价值明确，工作成果与核心指标（如广告ROI、ROAS）强关联，成就感强
- 涉及广告投放全流程，能建立对商业化业务的全面理解
- 技术复杂度高，需要同时掌握AI应用、分布式系统、数据工程和广告业务知识
- 需要持续跟进AI技术快速迭代，并保持与业务需求的紧密结合
- 适合对AI应用、特别是大模型在广告等复杂场景落地有浓厚兴趣，具备扎实工程能力和一定业务理解力，追求技术深度与业务价值结合的求职者
缺点 / 挑战
- 平台大，能接触到大规模、高并发的真实业务场景，技术挑战与成长空间大
- 业务压力直接，工作效果需要通过明确的业务指标来衡量
角色解读
- 技术深度路线：深耕广告AI领域，成为智能投放、素材理解等方向的资深专家或架构师
- 技术广度路线：向投放策略、算法推荐、平台工程等更广泛的领域拓展，成为全链路技术负责人
- 管理路线：凭借业务和技术积累，带领团队负责更复杂的AI应用产品线
- 负责广告投放全链路的AI应用研发，包括智能问答、预算优化、出价策略等，直接提升广告ROI
- 构建和优化广告素材智能化系统，实现多模态内容理解、生成与检索，赋能创意迭代
- 设计并实现标准化的API工具，支撑Agent在投放平台的编排与调用，打通数据、投放与素材能力
- 研发RTA实时参竞系统，结合用户画像和模型实现差异化投放策略，并构建广告归因与评测体系
- 精通Java或Go，并具备扎实的分布式系统与高并发设计能力
- 拥有Agent和RAG系统的生产级落地经验，熟悉主流框架与技术原理
- 具备LLM/Agent评测与调优能力，能平衡效果、时延与成本
- 熟悉大数据技术栈（如StarRocks/Flink），具备数据建模与处理能力
申请策略
- 面试前，建议研究米哈游的主要产品（如《原神》、《崩坏：星穹铁道》）及其广告投放特点，思考AI技术如何具体应用其中
- 准备一些关于如何平衡AI模型效果、响应速度与计算成本的具体案例或思路
- 重点突出Agent、RAG等AI应用的生产级项目经验，量化其带来的业务指标提升（如效率提升百分比、成本降低等）
- 详细描述参与过的分布式系统设计与性能优化项目，体现架构能力
- 如果有广告投放、RTA、归因等相关经验，即使非核心，也应清晰列出
- 展示对LLM评测、调优的实践经验和思考，例如构建评测集的方法、解决的具体问题
- 深入理解至少一种Agent开发框架（如LangChain, LlamaIndex等）的源码和设计理念
- 系统学习并实践RAG的进阶技术，如混合检索策略、重排序模型、上下文压缩等
面试指南
- 使用STAR法则（情境、任务、行动、结果）清晰叙述项目经历，突出个人贡献和技术决策
- 回答系统设计问题时，先明确核心需求和约束（如延迟、吞吐量），再给出架构分层，并解释关键技术选型的理由
- 对于优化类问题，描述具体的指标基线、分析思路（如A/B测试、badcase分析）、采用的改进方法以及最终量化的提升结果
- 请介绍一个你主导的、从0到1落地的Agent或RAG系统项目，遇到了哪些技术挑战，如何解决的？
- 如果要你为一个广告投放Agent设计工具链（MCP/API），你会考虑哪些模块？如何保证可靠性？
- 如何评测一个用于广告问答的LLM或Agent应用的生成质量？你会设计哪些评测维度和指标？
- 在RTA实时参竞这种高并发低延迟场景下，系统架构上有哪些关键设计点？
- 请解释一下你如何对一个已有的RAG系统进行持续优化，从检索到生成的全链路
职位点评
薪资福利60
成长发展85
工作生活50
使命价值70
薪资福利
60中等
该职位为全职社招，公司为超大型企业，通常能提供有竞争力的薪酬包。但JD未披露具体薪资范围和福利细节，需要确认。
薪资信号未披露（AI估算：3千–5万/月）
成长发展
85较高
职位涉及Agent、RAG、LLM等前沿技术在核心广告业务中的落地，技术栈先进，挑战性强，对个人技术深度和业务理解力提升有显著价值。
技术前沿前沿/新兴技术
技术栈Agent、RAG、LLM、Embedding、多模态、StarRocks、Flink、RTA、归因体系
业务类型profit_center
工作生活
50较低
JD未提及任何关于工作模式、弹性办公或工作生活平衡的信息。地点在上海，通常意味着需要现场办公，通勤成本需考虑。
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
通过AI技术驱动广告业务增长，具有明确的商业价值和创新属性，但JD未强调公司的社会使命或行业愿景。
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