高级广告算法工程师

优缺点分析

角色解读

• 可向广告算法技术专家发展，深入游戏买量场景，成为领域核心
• 也可转向AI决策系统架构师，主导LLM与业务结合的平台建设
• 或晋升为算法团队负责人，管理团队并制定技术战略
• 负责游戏广告投放中的核心算法研发，如用户价值预估和出价策略优化，提升广告ROI
• 将大语言模型（LLM）应用于自动化投放决策，设计可审计的算法体系
• 搭建A/B实验框架，科学度量算法迭代效果，驱动业务增长
• 跟踪并引入前沿广告算法（如AutoBidding）和大模型技术，快速落地成产品功能
• 扎实的机器学习与深度学习理论基础，精通用户价值预估、出价优化或推荐排序
• 熟练使用PyTorch或TensorFlow，具备大规模特征工程和分布式计算经验（Spark/Flink）
• 熟悉LLM应用开发，包括RAG、Function Calling和Prompt Engineering
• 有广告投放算法实战经验，理解CPA/ROI目标下的算法体系

申请策略

• 面试准备时，准备一个完整的算法项目案例，从问题定义到上线收益
• 关注莉莉丝的招聘公众号或内推渠道，了解公司文化
• 突出广告投放算法项目经验，尤其是用户价值预估、出价优化或AutoBidding相关成果
• 展示LLM应用落地的具体案例，如RAG、Function Calling在决策系统中的应用
• 强调大规模特征工程和分布式计算经验，以及A/B实验设计的经历
• 如果有游戏行业或买量场景经验，务必重点描述
• 补充LLM工程化技能，如LangChain、vLLM等推理框架
• 强化Spark/Flink等大数据工具的使用能力

面试指南

• 使用STAR法则（情境、任务、行动、结果）回答项目经验问题，量化结果
• 对于技术方案问题，先明确目标和约束，再分步骤阐述设计思路，最后讨论trade-off
• 请详细描述你过去做的广告出价优化项目，最终ROI提升多少，你是如何迭代的？
• 如何将LLM应用于自动化投放？请举例说明RAG或Function Calling的具体方案
• 在分布式中如何进行特征工程？遇到过哪些数据倾斜问题，如何解决？
• 设计一个A/B实验来评估新出价策略，如何保证实验置信度？
• 你对AutoBidding的理解是什么？在游戏买量中可能有哪些挑战？
• 复习推荐系统和计算广告的基础知识，如CTR预估、出价策略、竞价原理