淘天算法技术-生成式推荐/大模型应用算法专家-杭州*

优缺点分析

角色解读

• 技术专家路线：深耕电商推荐与大模型结合领域，成为团队内特定方向（如实时推理、多模态理解）的技术权威
• 技术管理路线：凭借出色的技术影响力和项目成果，逐步承担更多团队技术规划与管理职责，向技术负责人发展
• 前沿领域拓展：可向更广阔的AI应用领域（如通用Agent、具身智能）或基础模型研究方向探索
• 设计与实现基于大模型（LLM/MLLM）的电商实时推荐和意图理解算法，优化用户的购物体验与决策效率
• 构建多模态商品知识库与AI对比总结能力，解决用户在复杂商品（如标品、非标品）选择中的核心痛点
• 跟踪并集成最新的大模型技术成果（如MoE、推理加速、Agent等），推动团队和业务的技术领先性
• 扎实的机器学习、深度学习与自然语言处理（NLP）基础，精通推荐系统或搜索广告的算法原理
• 丰富的LLM/多模态大模型实战经验，熟练掌握模型微调（SFT）、强化学习（RL）、推理优化等Post-training技术
• 强大的工程实践能力，熟悉主流大模型训练/推理框架（如Megatron, vLLM等），能独立解决性能与效果平衡问题
• 良好的业务理解与问题拆解能力，能通过数据分析驱动算法迭代，并具备良好的沟通协作能力

申请策略

• 在简历或面试中，主动表达对‘提升用户购物体验’这一使命的认同，展示你的业务视角，而不仅仅是技术视角
• 可以提前研究天猫APP的购物推荐流程，思考其中可能用到或改进的AI技术点，在面试中提出有见地的观察
• 重点突出3年以上的算法研发项目经验，特别是在推荐系统、搜索或广告领域的实战案例与量化成果（如提升CTR/CVR）
• 详细描述使用LLM/MLLM进行项目开发的经历，明确写出使用的框架（如llama-factory, megatron）、具体技术（SFT, RLHF）及解决的问题
• 展示一个体现‘问题拆解与创新能力’的案例，说明你如何通过数据分析发现业务痛点并提出创新性的算法解决方案
• 如有相关竞赛获奖、顶会论文或在知名技术社区的分享，可作为加分项
• 深入复习和实践多模态大模型（如CLIP, LLaVA）的原理与训练方法，这是JD中明确提到的关键技术方向
• 系统学习并动手实践大模型强化学习对齐（RLHF/DPO）的全流程，熟悉verl等新兴框架

面试指南

• 使用STAR法则（情境-任务-行动-结果）清晰地组织你的项目经验回答，确保技术细节准确，业务结果量化
• 对于系统设计类问题，先阐述核心思路和模块划分，再深入关键技术点（如多模态融合、实时特征处理、模型服务架构），并讨论不同方案的权衡
• 对于开放性技术问题，结合JD要求和自身实践，提出有逻辑的观点，并能承认未知，展现思考深度而非泛泛而谈
• 请介绍一个你过去将大模型技术应用到推荐/搜索业务中的完整项目，从问题定义、方案设计、模型实现到效果验证
• 如何设计一个Session级的实时意图感知系统？如何处理用户行为的多模态（文本、点击、浏览时长等）信息？
• 在大模型上线过程中，如何解决在线推理延迟高的问题？你有哪些优化经验（例如：模型裁剪、量化、服务架构优化）？
• 你如何理解电商场景中‘标品’与‘非标品’用户决策差异？算法上可以如何针对性地设计对比总结能力？
• 你如何看待当前LLM/多模态模型在推荐领域应用的瓶颈？你认为下一步的技术突破点可能在哪里？