智能算法产品事业部-生成式推荐/大模型应用算法-杭州*

优缺点分析

角色解读

• 技术专家路线：深耕大模型在搜索与推荐领域的应用，成为该方向的算法专家或架构师
• 技术管理路线：带领小团队负责特定搜索场景或模型模块的算法研发与优化
• 业务负责人路线：深入理解电商搜索业务，将技术能力转化为商业价值，转向算法产品或业务架构角色
• 构建和优化电商搜索中的用户需求理解系统，利用大模型挖掘用户显性和隐性需求
• 研发基于LLM的意图推理引擎，包括模型训练（SFT/RL）和检索增强生成（RAG）等核心模块
• 设计和实现生成式推荐模型，优化搜索下拉框等场景的Query推荐，提升搜索体验的个性化和多样性
• 扎实的大语言模型（LLM）技术栈，包括模型训练、微调（SFT）、强化学习对齐（RL）及高效推理
• 熟悉主流大模型开发框架（如LLaMA-Factory, Verl, Megatron）及工程化部署
• 对自然语言处理（NLP）、信息检索（RAG）或推荐系统有深入理解，能结合业务场景进行算法设计
• 具备将复杂业务问题抽象为算法模型，并通过数据驱动进行迭代优化的能力

申请策略

• 在简历和面试中，尝试将你的过往经验与该岗位描述中的具体职责（如“意图推理引擎”、“生成式推荐模型”）做连接，展现匹配度
• 思考并准备一个你对“电商搜索需求激发”或“生成式Query推荐”的理解或初步方案，能体现你的业务洞察和技术思考
• 详细描述你参与过的任何与大模型（LLM/MLLM）、SFT、RL相关的项目，具体说明你的贡献、技术选型和成果
• 突出你在搜索、推荐、广告或NLP领域的项目经验，说明你如何解决其中的算法或工程问题
• 强调你使用过的具体技术栈，如LLaMA-Factory, Megatron等框架的实践经验
• 提供体现你数据分析能力、问题定位能力和业务理解深度的案例
• 系统复习和实操大模型Post-training的全流程，包括数据准备、SFT、DPO/RLHF等对齐方法
• 深入理解RAG（检索增强生成）技术，并尝试在个人项目中应用

面试指南

• 使用STAR法则（情境、任务、行动、结果）描述项目，重点突出技术决策和量化结果
• 采用系统化思维，先拆解问题（如分为召回、排序、生成），再阐述每个部分的技术方案和权衡
• 结合业务指标（如点击率、转化率、用户停留时长）来解释算法效果，展现业务sense
• 请介绍一个你利用大模型解决实际问题的项目，遇到了哪些技术难点？如何解决的？
• 对于‘基于LLM的意图推理引擎’，你认为需要关注哪些核心模块？如何评估其效果？
• 如何设计一个高效的RAG系统来服务于电商搜索的意图理解？
• 你对‘生成式推荐模型’用于Query推荐是怎么理解的？它和传统推荐方法有何异同？
• 重新梳理并准备1-2个与LLM应用最相关的深度项目，能够应对细节追问