智能算法产品事业部-精排算法工程师-杭州

优缺点分析

角色解读

• 纵向可深耕算法技术，成为搜索推荐或LLM应用领域的资深技术专家
• 横向可向算法团队管理或AI产品商业化方向转型，主导核心业务的技术演进
• 探索大语言模型（LLM）在电商搜索与推荐场景中的应用，优化CTR/CVR预估模型
• 设计并实施模型Scaling-Up方案，从样本、特征和结构维度提升模型表达能力
• 负责模型训练、推理及链路的底层基础设施优化，支撑高实时性的主搜排序系统
• 扎实的编码能力与数据结构/算法基础，精通大规模机器学习与深度学习框架
• 具备搜索、推荐或广告领域的实际业务经验，熟悉CTR/CVR预估模型
• 了解LLM前沿技术（如模态对齐、CoT），并具备模型Infra优化能力

申请策略

• 提前了解天猫主搜或推荐业务的最新技术博客或开源项目，展现对业务的关注
• 突出在搜索/推荐/广告领域的核心项目经验，特别是CTR/CVR预估模型的优化成果
• 详细展示LLM相关研究或落地经验，如模态对齐、CoT技术在业务中的应用
• 强调模型Infra优化经验，如训练加速、推理延迟降低等具体指标提升
• 深入学习大语言模型（LLM）的最新架构及在推荐系统中的应用论文（如HSTU等）
• 提升分布式训练与推理优化的工程能力，熟悉主流深度学习框架的底层机制

面试指南

• STAR法则：针对业务痛点（Situation），提出技术方案（Task/Action），最终用数据指标（如AUC、GMV提升）证明结果（Result）
• 技术深度剖析：不仅讲“怎么做”，还要讲“为什么这么做”，对比不同方案的优劣及底层原理
• 请详细介绍你过去在CTR/CVR预估模型中做过最有效的优化方案及其收益
• 如何利用LLM的推理能力或通用知识来赋能传统的推荐/搜索预估模型？
• 在模型Scaling-Up过程中，你遇到过哪些Infra层面的瓶颈？是如何解决的？
• 面对线上高实时性要求，如何平衡模型的复杂度与推理延迟？
• 复习推荐系统经典论文及最新LLM+RecSys的前沿研究（如SIGIR, KDD近两年的相关论文）
• 准备1-2个自己主导的、具有技术深度的项目案例，能够应对面试官的连环追问