【快Star】游戏广告Agent算法工程师

优缺点分析

角色解读

• 技术深耕：从算法工程师成长为领域专家，深入大模型、多模态方向
• 管理方向：积累业务 sense 后转向技术管理，带团队负责广告算法整体方案
• 跨领域拓展：可转向推荐、搜索、AI平台等方向，成为全栈AI人才
• 优化广告推荐系统的大模型和多模态算法，提升匹配效率
• 结合实际业务，设计并落地Prompt调优、RAG、RLHF等大模型技术方案
• 跟踪AI前沿，将最新研究转化为业务价值，与团队协作推动模型迭代
• 扎实的编程能力，精通Python或C++，能高效实现算法模型
• 深入理解LLM和多模态技术原理，有实际项目落地经验者优先
• 熟悉推荐系统或广告系统，具备机器学习、NLP等研究基础
• 良好的业务沟通能力，能与产品、运营协作，将技术转化为业务增长

申请策略

• 快手“快Star”项目非常看重潜力，面试中多展现学习热情和解决问题的能力
• 关注快手广告业务的最新动态，面试时可以结合具体场景讨论技术方案
• 突出LLM或多模态相关项目经验，说明你在其中的具体贡献和技术细节
• 如果有搜广推工业落地经历，重点描述模型效果提升和业务指标改善
• 展示编程能力和工程实现能力，如代码仓库、竞赛获奖等
• 如果有顶会论文，务必列出，体现研究深度
• 系统学习大模型原理（Transformer、RLHF等），动手实现一个Fine-tuning或RAG项目
• 强化推荐系统知识，了解微软、Google等大厂的广告算法架构

面试指南

• 回答技术问题时，先阐述核心原理，再结合你的实际经验，最后总结效果和改进方向
• 设计类问题，先明确目标和约束，再分步骤提出方案，并交代数据、模型、评估等关键点
• 对于开放性讨论，保持结构化：现状-问题-方案-展望，展现逻辑和深度
• 请介绍你在LLM或多模态项目中使用的技术，以及如何评估效果？
• 如何利用大模型优化广告点击率预估？请设计一个方案
• RLHF中的奖励模型如何训练？有哪些挑战？
• 多模态特征融合有哪些常见方法？在推荐系统中如何应用？
• 你如何看待大模型在广告商业化中的前景？