智能算法产品事业部-生成式推荐/AIGQ-杭州

优缺点分析

角色解读

• 技术专家路线：在生成式推荐、大模型应用等方向深耕，成为领域内的技术权威，主导核心算法架构设计与创新
• 业务架构师路线：深入理解电商业务，将技术与业务目标结合，成长为能够定义技术战略和产品方向的业务架构师
• 管理路线：随着项目规模扩大，有机会带领算法团队，负责团队规划、人才培养与项目交付，向技术管理者发展
• 负责将大模型技术应用于电商推荐场景，如生成式推荐（AIGQ）、猜你想搜Agent等，提升用户搜索和成交效率
• 建设电商场景下的Memory机制，优化用户行为长序列建模，提升推荐系统的个性化与准确性
• 参与排序模型的ScalingUp工作，探索模型推理加速、token压缩等技术，保障大规模工业级应用的性能
• 与业务、工程团队紧密合作，将前沿算法研究成果落地到首页底纹、feed流等核心产品链路
• 扎实的计算机科学基础，精通Python/C++等编程语言，具备优秀的算法与数据结构能力
• 深入理解Dense/MoE语言大模型、多模态大模型、推理大模型的原理，熟悉Transformer架构
• 具备SFT、RL、OPD等Post-training的实践经验，能够针对业务场景进行模型调优
• 熟悉推荐、广告、搜索系统，了解用户行为建模、生成式检索/排序等算法，有大规模分布式训练经验

申请策略

• 在申请前，深入了解天猫AI导购的业务场景和技术挑战，思考大模型在其中的应用潜力，在面试中展现你的业务洞察力
• 可以尝试通过内推渠道投递，并准备一个与岗位高度相关的技术案例，展示你从问题定义到方案落地再到效果评估的完整思考过程
• 突出大模型相关项目经验，特别是SFT、RL、OPD等Post-training的实战经历，详细描述模型调优过程与效果提升
• 强调在推荐、广告或搜索领域的业务落地案例，展示如何将算法模型应用于实际业务并带来可量化的业务增长（如CTR、GMV提升）
• 展示对用户行为建模、生成式检索等算法的深入理解，可附上相关技术博客、开源项目或论文
• 在简历中体现对AI技术前沿的持续关注和学习能力，如参与相关竞赛、获得认证等
• 系统梳理LLM、VLM的原理，并动手实践SFT、RLHF/RL、OPD等训练流程，熟悉至少一种主流大模型训练框架（如DeepSpeed、Megatron）
• 深入学习推荐系统经典算法与架构，特别是生成式检索、长序列建模等方向，并了解大模型如何与推荐系统结合

面试指南

• STAR法则：回答项目经验时，清晰阐述背景(Situation)、任务(Task)、行动(Action)和结果(Result)，重点突出你的个人贡献和技术难点
• 结构化思考：面对开放性问题，先拆解问题，明确目标和约束，再提出多种候选方案，分析优劣并给出你的推荐方案及理由
• 结合业务：回答技术问题时，始终联系电商业务场景，强调技术方案如何解决业务痛点、提升用户体验或带来商业价值
• 请详细介绍一下你过去负责的一个大模型Post-training项目，包括数据构建、训练策略、效果评估和上线过程中遇到的问题及解决方案
• 在电商推荐场景下，如何设计一个基于大模型的生成式推荐（AIGQ）系统？请谈谈你的技术选型和架构思路
• 大模型推理延迟较高，在延迟敏感的推荐链路中，你会采用哪些技术手段进行优化？请具体说明
• 如何利用大模型技术改进'猜你想搜'功能？请结合用户行为序列建模和Agent的思想进行阐述
• 你如何看待大模型在搜广推领域的未来发展趋势？天猫的AI导购业务面临哪些机遇和挑战？