业务技术-搜索推荐算法工程师/专家-杭州

优缺点分析

角色解读

• 从搜推算法工程师向算法专家、架构师方向发展，主导大规模商业化推荐系统的技术演进
• 向业务技术负责人或AI产品技术总监转型，将前沿AI技术与电商核心商业场景深度结合
• 负责天猫APP核心场景（搜索、首页、商详、购后等）的搜推算法迭代与优化，直接对业务指标负责
• 探索生成式搜索推荐、Agent化、模型Scaling UP等前沿技术，并提供全面的技术解决方案
• 利用LLM、序列建模、图模型等技术提升端内外引流承接页的个性化推荐效率及冷启动效果
• 扎实的编程基础（Java/C++/Python）及数据结构算法能力，熟悉常用机器学习与深度学习算法
• 精通推荐系统、信息检索或计算广告相关算法，具备超大规模系统架构迭代经验
• 具备大模型（LLM）、生成式AI及Agent相关技术落地经验，有顶会论文发表背景者优先

申请策略

• 提前了解天猫当前的搜索推荐痛点及大模型在电商场景的应用趋势，准备针对性的技术破局思路与面试表达
• 突出在推荐系统、搜索算法或大模型（LLM/Agent）方向的实际落地项目及带来的核心业务指标收益
• 强调在顶会（如KDD, SIGIR, WWW等）发表的论文或相关竞赛获奖经历，证明学术与前沿探索能力
• 展示对超大规模分布式系统架构的理解，以及在多目标建模、跨域多模态推荐方面的实战经验
• 深入学习生成式推荐、搜推Agent化及多模态推荐等前沿技术，了解LLM在电商场景的最新应用范式
• 提升对超大规模分布式推荐系统架构的理解，强化工程落地与性能优化能力

面试指南

• 采用STAR法则，重点突出业务背景、技术选型对比、核心难点攻克（如模型结构创新、工程优化）以及最终的业务指标提升（如CTR、CVR、GMV等）
• 对于前沿技术（如LLM+RecSys），采用‘痛点分析-方案设计-落地挑战-效果评估’的框架，展现系统性思考与工程落地能力
• 请详细介绍你过往在推荐系统或搜索算法中最成功的一个落地项目，遇到了什么技术瓶颈及如何解决？
• 在生成式搜索推荐或搜推Agent化方面，你有哪些研究或实践经验？如何评估其效果？
• 如何利用LLM进行用户兴趣发现和冷启动推荐？与传统方法相比有何优劣？
• 面对超大规模数据，如何优化召回和排序模型的性能与效率？
• 复习推荐系统经典模型及最新前沿论文（特别是LLM+RecSys、Agent方向），准备手撕代码及系统设计（大规模分布式推荐架构）
• 梳理过往项目中的核心数据指标与技术细节，确保能深入回答面试官对模型原理和业务收益的追问