盒马鲜生
盒马-AI导购研发工程师-搜索 / RAG方向
盒马-AI导购研发工程师-搜索 / RAG方向
发布于 2 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
Prompt Engineering
Pytorch
Rag
分布式系统
大模型微调
搜索推荐
值不值得投
77综合评分
综合评分 77
前沿AI技术驱动、业务场景丰富、技术成长空间大，工作强度视业务周期波动
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
3.5万
比人工智能中位数低
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 310 个在招
市场机会
选择面较广
杭州 · 人工智能 · 约 460 个在招
职位详情
关于这个职位
负责盒马C端AI导购应用的设计与研发，构建自然语言找商品、场景化推荐及知识问答等核心功能
搭建并优化商品搜索推荐链路，落地RAG技术方案与生成式AI应用能力
参与领域大模型训练微调、线上评测监控及性能优化，保障系统稳定性与业务准确性
最低要求
计算机、软件工程、人工智能或相关专业本科及以上学历，具备3年以上后端研发、搜索研发或 AI 应用开发经验
熟练掌握 Java、Python、Go、C++ 中至少一门编程语言，具备扎实的数据结构、算法基础、操作系统知识及良好的编程习惯
具备良好的服务端开发基础，熟悉微服务、缓存、消息队列、数据库及常见分布式系统问题
具备搜索或推荐系统开发经验，熟悉 Elasticsearch、OpenSearch、Solr、Lucene 中至少一种技术，理解召回、排序及结果融合等基本方法
具备 RAG 项目实战经验，熟悉 Embedding、向量检索、混合召回、Rerank、上下文构建及效果评估
具备生成式 AI 应用经验，熟悉 Prompt Engineering、模型调用、多轮对话、结果校验及幻觉控制等常见方法
具备大模型训练或微调经验，理解 Transformer 基本原理，熟悉 PyTorch、Transformers 等框架及训练数据构建、SFT/LoRA、模型评估和基础推理部署
具备线上服务性能优化和问题排查能力，能够独立负责模块的设计、开发、上线与迭代，并具备良好的业务理解和沟通能力
工作职责
负责 C 端 AI 导购应用的设计与研发，支持自然语言找商品、场景化推荐、商品比较及业务知识问答等核心场景
建设商品与业务知识的搜索推荐链路，涵盖 Query 理解、多路召回、相关性排序和结果融合，并保障商品、库存、促销及业务规则等数据的准确性与时效性
负责 RAG 技术方案落地，包括知识解析、Embedding、混合检索、Rerank、上下文构建及生成结果校验
建设生成式 AI 应用能力，包括 Prompt 与流程编排、模型及工具调用、多轮上下文管理、事实性校验和异常兜底
参与领域大模型及语义召回、排序模型的训练与优化，完成训练数据构建、模型微调、效果评估、服务部署及推理优化
建立离线评测、线上实验和运行监控闭环，持续优化相关性、准确率、响应时延、系统稳定性与调用成本，并负责核心模块的上线及问题治理
AI 洞察
优缺点分析
优点
- 聚焦AI大模型与RAG等前沿技术，技术栈领先且业务场景丰富，落地空间大
- 依托大型新零售平台，拥有海量真实业务数据与高并发流量场景
- 团队技术氛围浓厚，有利于积累高复杂度系统架构与算法工程经验
- AI导购场景对准确率与实时性要求极高，需频繁处理长尾Query与幻觉控制难题
- 大模型训练与微调算力成本高，需在效果与资源消耗间寻找精细平衡
- 跨部门协同密集，需深入理解零售供应链与促销业务逻辑
- 适合热爱AI技术落地、具备扎实后端与算法工程能力、追求技术深度与业务价值结合的开发者
缺点 / 挑战
暂无明显挑战项
角色解读
- 可向AI架构师或首席算法工程师方向发展，深耕大模型应用落地与搜索推荐前沿技术
- 也可转向AI产品技术负责人，统筹业务智能化转型、技术团队管理与跨部门协同
- 负责盒马C端AI导购产品的架构设计与核心代码开发，支撑自然语言交互与智能推荐场景
- 搭建并优化基于大模型的搜索推荐与RAG技术链路，实现知识解析、向量检索与结果生成
- 主导领域大模型的微调、部署及线上效果评估，持续迭代系统性能与业务准确性
- 扎实的Java/Python等后端编程与分布式系统架构功底
- 精通搜索推荐底层原理（Elasticsearch/Lucene）及RAG全栈技术流
- 熟悉大模型训练微调（SFT/LoRA）、Prompt工程及幻觉控制策略
- 具备线上高并发服务性能调优、A/B测试与故障排查能力
申请策略
- 提前研究盒马App的AI导购功能现状，准备针对性的优化思路与技术选型对比
- 面试时重点展示技术方案的权衡依据、数据验证方法及可维护性设计
- 突出RAG项目实战细节与大模型微调/部署经验，量化搜索推荐系统的性能提升指标（如QPS、延迟、NDCG）
- 展示复杂分布式系统设计与高可用架构能力，强调线上故障排查与成本控制案例
- 深化Transformer原理与SFT/RLHF实战技巧，掌握向量数据库与混合检索优化方案
- 加强零售电商业务场景下的Query理解、意图识别与排序策略学习
面试指南
- 采用STAR法则结构化回答，先阐述整体架构设计背景，再深入关键技术难点与解决方案，最后用线上数据验证效果
- 技术选型题需清晰对比备选方案优劣，强调业务适配性与可维护性
- 请详细介绍一个你主导的RAG项目，如何解决幻觉、上下文截断与检索精度问题？
- 在搜索推荐系统中，如何设计多路召回与重排序策略以提升相关性并控制延迟？
- 大模型微调时，如何平衡SFT数据质量、训练成本与推理性能？
- 面对线上服务响应延迟飙升或准确率下降，你的排查与优化流程是怎样的？
- 复习Elasticsearch底层倒排索引原理与向量检索机制，梳理过往项目中关于模型评估、A/B测试及线上监控的实践案例
- 了解当前主流大模型应用架构（如LangChain/LlamaIndex）及最新论文趋势
职位点评
薪资福利78
成长发展88
工作生活65
使命价值72
薪资福利
78中等
薪资处于杭州AI研发岗位市场中上水平，大型零售企业背景通常提供相对完善的福利体系，但具体薪酬范围与发放结构未在JD中披露。
薪资信号未披露（AI估算：2.5千–4.5万/月）
成长发展
88较高
岗位深度融合大模型、RAG与搜索推荐等前沿技术，提供完整的模型训练、部署与效果优化闭环，技术成长空间广阔。
技术前沿前沿/新兴技术
技术栈RAG、大模型微调、Prompt Engineering、Elasticsearch、PyTorch、Transformers
业务类型profit_center
工作生活
65中等
大型科技企业通常具备较规范的工时制度，但AI研发与线上大促期间可能面临较高强度工作，具体办公模式与加班政策未明确说明。
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
72中等
致力于通过AI技术重塑零售购物体验，提升消费者决策效率，具有明确的商业创新价值与技术服务属性。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
盒马鲜生 的其他在招职位
相似职位推荐
Watch Jobs