快手
【快Star】广告Agent算法工程师
【快Star】广告Agent算法工程师
发布于 大约 2 小时前普通员工/个人贡献者
北京市
无经验要求
全职员工
仅现场办公
硕士
PyTorch
强化学习
RAG
LLM
推荐系统
大语言模型
广告系统
AI 估算 · 30k–50k
快手上市大厂，北京校招算法岗，技术门槛高（LLM+强化学习），薪资竞争力强，通常30-50k*16。
职位详情
关于这个职位
快手商业化算法团队正在招聘广告Agent算法工程师，你将专注于将LLM Agent能力与广告系统深度融合，研究用户兴趣理解、创意生成、策略自进化等前沿方向
需要解决多目标优化、冷启动、实时推理等挑战，推动广告系统智能化升级
团队拥有顶级学术背景和丰富工程实践，为你的成长提供广阔平台
最低要求
面向海内外顶级学校应届毕业生（硕士及以上学历，博士优先）计算机、数学、统计、电子信息等相关专业
具备扎实的机器学习、深度学习及自然语言处理（NLP）理论基础
深入理解 Transformer 架构，熟悉主流大模型（如 LLaMA、Qwen、GPT 等）的底层原理
对 LLM for Search / Recommendation 有深入关注
熟悉生成式检索（Generative Retrieval）、大一统范式（如 OneRec、P5 等），或在多任务学习（Multi-task Learning）、RAG（检索增强生成）、多轮对话系统领域有深入研究者优先
具备优秀的编程基础与算法实现能力，精通 Python/C++，熟练掌握 PyTorch 等深度学习框架
在数据挖掘、信息检索或 NLP 领域的顶级学术会议（SIGIR、KDD、WWW、ACL、EMNLP、NeurIPS等）上发表过第一作者论文，或在知名开源项目中贡献过核心代码者优先
具有优异的沟通能力与业务理解能力，善于跨团队协作推进关键项目，优先考虑具备广告、推荐系统或搜索引擎策略优化实战经验的候选人
工作职责
从事广告场景下的前沿Agent算法研究，聚焦用户兴趣理解、创意生成、策略自进化等方向，将LLM Agent能力与广告系统深度融合，推动业界领先水平
研究广告全链路的dense reward分解机制，解决奖励信号稀疏及转化反馈延迟的问题，确保策略优化与北极星指标对齐
在广告主ROI、平台收益与用户体验的多目标约束环境中，设计兼顾多方目标的策略学习与决策框架，提升系统效率与稳定性
探索竞价环境中部分可观测环境的建模方法，优化多智能体博弈场景下的策略鲁棒性，提升Market动态变化下的泛化效果
针对冷启动广告场景，构建基于LLM的零样本/少样本策略迁移与快速适配机制，提升长尾流量覆盖能力
优化LLM Agent在广告系统中的实时推理性能，研究离线策略蒸馏、在线异步解耦、轻量化推理等技术路径，平衡决策复杂度与系统毫秒级时延要求
优先资格
博士优先
在顶级学术会议发表过第一作者论文或知名开源项目核心贡献者优先
具备广告、推荐系统或搜索引擎策略优化实战经验者优先
AI 洞察
优缺点分析
优点
- 前沿技术方向：投身LLM Agent与广告系统的结合，处于行业最前沿，技术积累价值极高
- 技术难度高：需要同时掌握LLM、强化学习、广告系统等多领域知识，学习曲线陡峭
- 竞争激烈：面向全球顶级高校招聘，候选人背景优秀，内部晋升竞争激烈
缺点 / 挑战
- 大厂平台：快手商业化核心团队，资源丰富，数据量大，能接触到真实场景挑战
- 学术与工程并重：鼓励发表顶会论文，团队学术氛围浓厚，同时有工程落地压力
- 工作强度大：互联网大厂核心业务，可能面临较大项目压力和时间紧迫性
- 适合博士或顶尖硕士，对LLM和强化学习有深入研究，热爱技术挑战，希望在大厂核心团队快速成长的求职者
角色解读
- 技术深耕：从广告算法专家成长为LLM+强化学习领域的顶尖研究员，发表顶级论文
- 系统架构：逐步主导广告系统的策略架构设计，成为技术负责人
- 管理路线：未来可带领团队，负责商业化算法团队的管理和方向规划
- 你将研究如何将大语言模型（LLM）作为智能体（Agent）融入广告系统，例如让Agent自动理解用户兴趣并生成创意广告
- 你需要设计奖励机制解决广告转化延迟问题，并优化多目标（广告主ROI、平台收益、用户体验）的平衡策略
- 还要探索冷启动场景下利用LLM快速适配新广告，以及优化Agent的实时推理性能以满足毫秒级延迟要求
- 扎实的机器学习和深度学习基础，尤其需要深入理解Transformer架构和主流大模型（如LLaMA、GPT）
- 熟练的编程能力，精通Python/C++，掌握PyTorch等深度学习框架
- 对LLM在搜索/推荐领域的应用有深入研究，如生成式检索、多任务学习、RAG等
申请策略
- 面试前了解快手广告业务和商业化策略，思考LLM如何解决实际广告问题
- 准备一个你主导的LLM相关项目，详细说明技术选型、挑战和效果
- 突出你的LLM相关研究或项目经验，尤其是LLM Agent、生成式检索或多轮对话系统的成果
- 强调在顶会发表的论文或开源贡献，证明你的学术和工程实力
- 展示强化学习或广告推荐系统的实战经验，例如多目标优化、冷启动策略等
- 深入学习LLM底层原理，动手实现一个简单的LLM Agent demo，如基于LangChain的广告创意生成
- 复习强化学习基础，特别是多智能体博弈和奖励函数设计，阅读相关论文
- 提升编程效率，练习在PyTorch上快速实现论文模型，并熟悉C++性能优化技巧
面试指南
- 先明确问题核心，然后分点阐述方法论，结合具体技术（如dense reward分解、多任务学习等），最后说明实际效果和优化方向
- 对于开放性问题，可以采用“问题分析→方案设计→优缺点讨论”的结构，展现系统思维
- 请介绍一下LLM Agent在广告系统中的应用场景和挑战？
- 如何处理广告转化延迟导致的奖励稀疏问题？请给出技术方案
- 在多目标优化中，如何平衡广告主ROI、平台收益和用户体验？
- 请解释Transformer的self-attention机制，以及LLaMA模型的主要结构改进
- 如果有百万级广告请求需在100ms内返回Agent决策，你会如何优化推理？
- 复习LLM基础和强化学习经典算法（如PPO、DQN），并阅读快手相关技术博客
匹配度报告
68
综合匹配度
快手核心团队，前沿LLM+强化学习，薪资高成长快，但工作强度大。
适合人群
适合以技术成长和前沿探索为核心动机的求职者，对薪资福利要求较高但能接受较高强度工作节奏的候选人。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利85
成长发展95
工作生活40
使命价值50
薪资福利匹配
85较高
快手作为上市大厂，薪资福利在行业内属于第一梯队，校招算法岗起薪高，且提供16薪、股票等。该职位属于核心团队，薪酬竞争力强，补偿性动机满足度较高。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
95较高
该职位聚焦LLM Agent和强化学习前沿技术，团队鼓励发表顶会论文，技术成长空间极大。公司提供丰富的学习资源和实战场景，发展性动机满足度极高。
技术前沿前沿/新兴技术
技术栈LLM、大语言模型、强化学习、Transformer、LLaMA、Qwen、GPT、RAG、PyTorch
业务类型profit_center
工作生活匹配
40较低
快手工作地点在北京，需现场办公，未提及弹性工作。互联网大厂核心业务团队通常加班较多，且北京通勤成本高，生活化动机满足度较低。
工作模式仅现场办公
办公地点市区核心地段
加班情况JD含高强度暗示词
使命价值匹配
50较低
广告行业商业化导向明确，社会价值中性。快手平台用户规模大，但算法优化主要服务于商业目标，意义感动机一般。
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