中国平安
搜索推荐研发工程师
搜索推荐研发工程师
发布于 1 天前普通员工/个人贡献者
深圳市
中级经验
全职员工
仅现场办公
本科
软件工程
分布式系统
RAG
GO
推荐系统
搜索系统
大模型
ClickHouse
向量召回
AB实验
AI 估算 · 35k–60k
深圳大厂搜索推荐岗位，3年以上经验，技术栈要求高，薪资有竞争力，参考市场水平
职位详情
关于这个职位
该职位负责平安好医生搜索推荐系统的研发与算法工程落地，涉及高并发架构设计、推荐策略实现及大模型应用
你将参与用户增长、医生/服务匹配等核心场景，与算法、产品团队协作推动业务效果提升
适合有搜索推荐经验、技术栈扎实的工程师
最低要求
本科及以上学历，计算机、软件工程、人工智能、数学、统计学等相关专业
具备 3 年以上 Java / Go / C++ / Python 中至少一种语言的研发经验，具备扎实的数据结构、算法和系统设计能力
熟悉搜索推荐系统基本架构，理解召回、排序、特征、画像、AB 实验、模型服务、在线推理等关键模块
熟悉 Redis、Kafka、RocketMQ、Elasticsearch、ClickHouse、MySQL、HBase 等常用中间件或存储系统
熟悉分布式系统、高并发服务、缓存、限流、熔断、降级、监控、链路追踪等工程实践
了解常见推荐算法、搜索排序算法、CTR/CVR 预估、协同过滤、向量召回、Embedding、Learning to Rank 等相关技术
具备良好的业务理解能力，能够从用户路径、转化漏斗、推荐效果、产品目标中抽象工程方案
具备良好的沟通协作能力，能与算法、数据、产品、运营团队高效配合
工作职责
负责搜索、推荐等核心链路的系统设计、研发和优化
负责医疗健康业务场景下的医生推荐、服务推荐、内容推荐、商品推荐、问诊入口推荐、用户运营推荐等工程落地
参与用户画像、医生画像、服务画像、内容标签、健康标签等特征体系建设，支持推荐策略和增长策略迭代
负责推荐系统在线服务、特征服务、召回服务、排序服务、AB 实验平台、效果监控平台等核心模块研发
负责搜索推荐系统的日常运营和服务治理
与算法、产品、运营、数据分析团队协作，推动推荐策略从实验到线上闭环
参与大模型、RAG、Agent、智能问答等新技术在健康服务推荐和智能入口中的应用探索
建设指标监控体系，持续跟踪点击率、转化率、服务匹配率、用户满意度等核心指标
优先资格
加分项：有大型互联网搜索、推荐、广告、内容分发、电商、短视频、生活服务等场景经验
AI 洞察
优缺点分析
优点
- 大平台：中国平安旗下，医疗健康赛道前景广阔，数据资源丰富
- 技术前沿：涉及大模型、RAG等新技术，积累搜推工程与算法落地经验
- 核心业务：搜索推荐直接驱动用户增长和转化，影响力大，成就感强
- 团队协作：与算法、产品、运营紧密配合，综合能力提升快
- 业务场景复杂（医生、服务、商品等），需快速理解医疗健康领域知识
- 技术栈广泛，需持续学习新工具和算法，保持技术敏锐度
- 适合有搜索推荐或广告系统开发经验、热衷高并发系统设计、愿意深入业务并快速成长的工程师
缺点 / 挑战
- 高并发高可用要求严苛，系统稳定性压力大，需应对大流量场景
角色解读
- 技术专家路线：深入搜索推荐工程架构，成为分布式系统或算法工程领域的专家
- 架构师路线：主导大规模搜推系统的架构设计，沉淀技术中台能力
- 业务负责人路线：结合医疗健康场景，转型为产品技术负责人或技术总监
- 负责搜索推荐系统的核心链路设计与开发，如召回、排序、特征服务等
- 参与大模型、RAG、Agent等新技术在医疗健康推荐中的应用探索
- 与算法、产品团队协作，推动推荐策略从实验到线上全流程落地
- 建设指标监控体系，持续优化点击率、转化率等核心业务指标
- 扎实的Java/Go/C++/Python编程能力，熟悉分布式系统和高并发编程
- 深入理解搜索推荐系统架构，熟悉Redis、Kafka、Elasticsearch等中间件
- 了解常见推荐算法（协同过滤、向量召回、CTR预估）和AB实验平台
- 具备良好的业务理解和跨团队协作能力，能抽象工程方案支持业务增长
申请策略
- 关注公司技术博客或招聘宣讲，了解团队技术栈和业务方向
- 准备1-2个你主导或参与的项目案例，详细说明技术难点和解决方案
- 突出搜索/推荐系统项目经验，描述你在召回、排序、特征工程中的具体贡献
- 强调高并发、分布式系统设计案例，如性能优化、系统容灾等
- 展示对推荐算法的理解，如CTR模型、向量召回等实践
- 如有大模型或RAG相关经验，务必重点呈现
- 提前复习推荐系统核心模块（召回、排序、AB实验），加深理论理解
- 学习ClickHouse、Elasticsearch等数据分析工具，提升数据处理能力
面试指南
- STAR法则：背景、任务、行动、结果，突出个人贡献和技术难点
- 从架构分层角度回答：接入层、服务层、数据层、模型层，逐步展开
- 结合具体指标量化效果，如CTR提升、响应时间降低等
- 请介绍一个你参与过的推荐系统项目，包括架构、技术选型和优化效果
- 如何设计一个高并发、低延迟的推荐服务？请画出架构图并解释关键点
- 解释一下协同过滤和向量召回的区别，以及在什么场景下使用？
- 如何评估推荐系统的效果？你会关注哪些指标？
- 你了解大模型在推荐系统中的应用吗？举例说明
职位点评
65
综合评分
深圳平安大厂、搜索推荐核心岗、前沿技术栈，薪资面议，WLB一般。
更适合这类人
最适配以技术成长和业务影响力为核心驱动的求职者，对工作生活平衡要求不高。
表现最好
成长发展
相对薄弱
工作生活
薪资福利60
成长发展90
工作生活40
使命价值70
薪资福利
60中等
薪资面议，但深圳大厂搜索推荐岗位通常薪资较高，福利较完善，不过未在JD中明确具体信息，满足程度中等。
薪资信号面议 (35K-60K/月)
成长发展
90较高
涉及大模型、RAG等前沿技术，核心业务场景，工程与算法结合，成长空间大，技术栈现代。
技术前沿前沿/新兴技术
技术栈大模型、RAG、Agent、向量召回、ClickHouse、Elasticsearch、Redis、Kafka
业务类型profit_center
工作生活
40较低
仅现场办公，深圳，未提及弹性工作或WLB福利，互联网大厂通常有一定加班压力，生活化满足一般。
工作模式仅现场办公
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
医疗健康行业，对社会有正向价值，但JD更侧重技术实现，使命导向信号不强，意义感中等偏上。
行业发展高速增长赛道
社会影响正向社会影响力较高
创新程度积极采用新技术
Watch Jobs