天猫
业务技术-算法专家工程师-企业知识库/智能检索方向
业务技术-算法专家工程师-企业知识库/智能检索方向
发布于 大约 22 小时前普通员工/个人贡献者
全职员工仅现场办公机器学习工程
机器学习工程
Nlp
Rag
信息检索
向量检索
大模型
知识图谱
语义匹配
值不值得投
72综合评分
综合评分 72
算法专家职位，技术前沿、成长性强，但薪资福利未明确，WLB信号缺失。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
35K
比机器学习工程中位数低
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 270 个在招 · 其中机器学习工程 5 个
市场机会
选择面较广
杭州 · 机器学习工程 · 约 260 个在招
职位详情
关于这个职位
这个职位负责企业知识库和智能检索的算法能力建设，利用大模型提升内部知识问答和信息查找效果
你需要优化检索链路，包括查询理解、语义召回和排序重排，并与产品、工程团队协作，将算法落地到企业知识库、智能助手等实际场景中
最低要求
计算机、人工智能、自然语言处理、数据挖掘、软件工程等相关专业，本科及以上学历
具备搜索、NLP、推荐、知识图谱、大模型应用、RAG 或企业知识库相关项目经验
熟悉信息检索基础，了解关键词检索、向量检索、语义匹配、排序模型、结果重排等常见技术
熟悉大模型应用开发流程，理解 RAG、Embedding、Prompt、上下文构建、工具调用等基本概念
具备较强的工程实现能力，熟练掌握 Python，并熟悉至少一种常用后端开发语言或工程框架
具备良好的数据分析和实验能力，能够通过指标、实验和 bad case 分析持续优化算法效果
具备较强的问题抽象能力和沟通协作能力，能够理解复杂业务场景，并转化为可落地的算法方案
工作职责
负责企业知识库、智能检索、RAG 相关算法能力建设，提升大模型在企业内部知识问答、信息查找、研发辅助等场景中的效果
参与企业内部文档、代码、业务资料、流程知识等多源数据的理解、处理与检索能力建设，提升知识获取效率
优化检索链路，包括查询理解、语义召回、关键词召回、排序优化、结果重排、上下文组织等核心能力
结合大模型能力，提升知识问答结果的准确性、相关性、可追溯性和稳定性，减少无依据回答和幻觉问题
参与企业知识的结构化处理，包括知识分类、标签体系、实体识别、关系建模、知识质量评估等工作
建立检索与问答效果评估体系，通过数据分析、bad case 分析、离线评测和线上反馈持续优化系统表现
与产品、工程和业务团队协作，将算法能力落地到企业知识库、智能助手、研发 Copilot、AI Agent 等实际场景中
优先资格
有企业搜索、知识库问答、智能客服、研发 Copilot、AI Agent、代码智能等项目经验
熟悉 Elasticsearch、OpenSearch、Milvus、pgvector、Neo4j 等搜索、向量库或图数据库工具
有知识图谱、实体识别、关系抽取、领域知识建模等相关经验
有 Embedding、Reranker、排序模型、语义匹配模型优化经验
有企业内部工具、研发平台、数据治理、知识管理等相关系统建设经验
AI 洞察
优缺点分析
优点
- 技术前沿，涉及大模型和RAG等热门方向，能积累先进技能
- 公司平台大，资源丰富，有实际业务场景支持算法落地
- 团队协作强，与产品、工程紧密合作，提升综合能力
- 技术难度高，需要持续跟踪大模型发展并解决复杂问题
- 适合有扎实NLP和检索背景、追求技术深度、喜欢解决实际业务问题的算法工程师
缺点 / 挑战
- 工作可能涉及多系统集成，协调和优化挑战较大
- 作为核心算法岗位，对效果和稳定性要求高，压力较大
角色解读
- 可向算法架构师或技术专家方向发展，深入大模型和知识管理领域
- 有机会晋升为团队负责人，领导算法项目或子方向
- 可拓展到AI Agent、智能助手等新兴领域，提升综合影响力
- 设计和实现企业知识库的算法，包括数据处理、检索优化和问答提升
- 利用大模型和RAG技术，优化智能检索链路，确保结果准确可靠
- 参与评估体系建立，通过数据分析和实验持续改进系统性能
- 与跨职能团队合作，将算法能力集成到实际业务场景中
- 精通NLP、信息检索和排序算法，有相关项目经验
- 熟悉大模型应用，特别是RAG、Embedding和Prompt工程
- 熟练掌握Python和工程框架，具备强工程实现能力
- 良好的数据分析、实验设计和问题抽象能力
申请策略
- 研究天猫或阿里巴巴的知识管理场景，理解业务痛点，在面试中展示针对性思路
- 准备算法方案设计案例，特别是如何处理企业多源数据和提升检索效果
- 突出企业知识库、RAG或智能检索的相关项目经验，展示算法优化成果
- 强调Python工程能力和熟悉的信息检索技术，如向量检索、排序模型
- 列举使用过的大模型工具或框架，如Embedding、Prompt设计等
- 提及跨团队协作和问题解决案例，体现沟通与落地能力
- 学习向量数据库（如Milvus、pgvector）和图数据库（如Neo4j）的使用
- 深入掌握RAG框架和大模型微调技术，提升应用开发能力
面试指南
- 使用STAR方法：先描述情境和任务，再说明采取的行动（技术方案），最后量化结果
- 结合具体技术细节，如查询理解、语义召回、排序模型等，展示专业深度
- 强调迭代优化和数据驱动，体现问题解决能力和协作精神
- 如何优化企业知识库的检索链路以提高问答准确性？
- RAG技术在应用中可能遇到哪些挑战，你如何解决？
- 请描述一个你处理过的bad case分析案例，以及优化过程
- 如何评估知识问答系统的性能？你会设计哪些指标？
- 与产品团队协作时，如何将业务需求转化为算法方案？
职位点评
薪资福利70
成长发展90
工作生活50
使命价值75
薪资福利
70中等
该职位薪资未明确披露，但基于算法专家职级和杭州市场，预期具有竞争力；福利信息未提及，补偿性动机满足程度有限。
薪资信号未披露（AI估算：25K-45K/月）
成长发展
90较高
该职位涉及大模型、RAG等前沿技术，提供技能成长和实际落地机会，发展性强。
技术前沿前沿/新兴技术
技术栈RAG、向量检索、知识图谱、大模型、Embedding
业务类型ambiguous
工作生活
50较低
JD未提及办公模式或工作生活平衡相关信号，工作方式和强度不确定，生活化动机满足程度一般。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
75中等
该职位在人工智能和知识管理领域，属于高速增长赛道，有一定社会价值，但使命导向信号不明显。
行业发展高速增长赛道
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs