快手
【快Star】AI搜索算法工程师
【快Star】AI搜索算法工程师
发布于 大约 2 小时前普通员工/个人贡献者
北京市 / 杭州市
无经验要求
实习生
仅现场办公
硕士
NLP
PyTorch
强化学习
RAG
TensorFlow
LLM
多模态
搜索算法
知识蒸馏
AI 估算 · 4k–8k
作为大厂实习岗，薪资具有竞争力，技能要求高（LLM、搜索算法），市场供不应求，但实习薪资通常低于正式岗。
职位详情
关于这个职位
这是一个面向硕博在读学生的AI搜索算法实习岗，你将参与快手电商搜索亿级用户规模的算法优化，涉及搜索全链路（Query理解、召回、排序等），并有机会深入LLM、多模态等前沿技术
团队学术氛围浓厚，有专业Mentor指导，适合想在搜索推荐领域积累经验的同学
最低要求
计算机、数学、人工智能或相关专业硕士及博士在读，有扎实的机器学习和NLP算法基础
熟悉LLM工程技术和方法，并掌握大模型的微调和评估方法
有参与大模型研发者优先
熟悉深度学习框架，如TensorFlow、PyTorch等，有扎实的编程基础和代码实现能力
具备优秀的业务感知以及分析和解决问题的能力，良好的沟通协作能力
工作职责
参与亿级用户规模的电商搜索业务优化，围绕核心业务指标（GMV、购买用户数、点击率、转化率等）开展算法研究与迭代
深入设计与优化搜索全链路算法模块，包括但不限于：Query理解、召回、粗排、精排、混排、相关性计算、机制策略等
探索前沿的NLP技术：LLM驱动的搜索Query理解（Query改写/生成/意图识别）、基础相关性等
基于LLM能力，探索新一代的AI搜索前沿场景和技术，包括端到端LLM4Search、LLM4Retrieval等
参与模型蒸馏，量化剪枝，在线实时性部署等工作
跟踪相关领域的技术发展趋势，进行各类技术方案的探索和学术研究
优先资格
有高水平论文（如ACL、CVPR、NIPS、AAAI、ICML等)或者开源项目者优先
有大规模电商搜索、推荐、广告系统实践经验者优先
在多模态学习、大语言模型、强化学习、检索增强生成（RAG）、Agent等方向有深入研究或项目经验者优先
AI 洞察
优缺点分析
优点
- 团队氛围好：团队成员来自顶尖学校，学术与业务并重，有专业Mentor指导，成长速度快
- 技术前沿：聚焦LLM、多模态、强化学习等热门方向，能接触业界领先的技术方案
- 技术复杂度高：搜索全链路模型多、数据量大，需要较强的工程能力和算法功底
- 实习时间可能要求较长：大模型相关研究需要持续投入，短期实习难以产出显著成果
- 适合NLP或搜索方向有扎实基础、渴望接触大规模业务场景和前沿AI技术的硕博在读学生，尤其是对电商搜索和LLM有浓厚兴趣的同学
缺点 / 挑战
- 平台优势：快手作为头部互联网公司，电商搜索业务增长迅速，技术挑战大，能快速积累宝贵经验
- 业务指标压力大：涉及GMV、转化率等核心商业指标，算法优化需要兼顾效果和效率，容错空间小
角色解读
- 从实习转正后，可成为正式算法工程师，深入搜索推荐领域，逐步成长为技术骨干
- 有机会参与顶会论文发表，积累学术影响力，未来可向研究员方向发展
- 在团队中可接触多模态、强化学习等前沿方向，拓宽技术广度，成为复合型AI人才
- 你将参与快手电商搜索的核心算法优化，直接面向亿级用户，通过改进Query理解、召回、排序等模块提升搜索体验和商业指标
- 你会利用LLM和大模型技术，探索AI搜索的新场景，如端到端检索和生成，推动搜索智能化
- 你还将涉及模型部署、知识蒸馏等工程优化工作，确保算法在实际系统中高效运行
- 扎实的机器学习和NLP基础，熟悉Transformer、BERT等主流模型
- 熟练使用PyTorch或TensorFlow，能独立实现和调试深度学习模型
- 熟悉LLM的基本原理、微调方法（如LoRA、P-tuning）以及评估手段
- 具备良好的业务理解和数据分析能力，能从数据中发现问题并提出优化方案
申请策略
- 在简历或面试中展示对快手电商搜索业务的理解，提出自己的优化想法
- 积极参与团队的技术分享或开源项目，体现学习热情和团队协作能力
- 突出NLP或相关领域的项目经验/论文，特别是与搜索、推荐、大模型相关的成果
- 强调编程能力，如熟悉PyTorch/TensorFlow，有开源贡献或竞赛获奖更佳
- 如有电商搜索或广告系统实习经历，务必详细描述技术贡献和业务效果
- 提前复习LLM微调技术（如LoRA、RLHF）和搜索排序算法（如LambdaRank、ListNet）
- 学习多模态基础，了解CLIP、BLIP等模型，并动手实践简单的多模态搜索demo
- 补充工程能力：熟悉模型部署框架（如TensorRT、ONNX）、分布式训练（DeepSpeed、Megatron）等
面试指南
- 使用STAR法则：Situation（背景）、Task（任务）、Action（行动）、Result（结果）来结构化回答项目经验
- 对于开放性问题，先建立分析框架，如“问题定义-数据探索-特征工程-模型选型-评估迭代”，体现系统性思维
- 突出业务理解：回答时将技术方案与业务指标（CTR、CVR、GMV）关联，展现商业敏感度
- 请详细介绍一下你参与过的NLP项目，其中用到了哪些模型？如何评估效果？
- 你如何理解搜索中的Query理解？请举例说明如何改进搜索意图识别
- 谈谈你对LLM微调的理解，有哪些常见方法？在实际应用中如何选择？
- 假设我们需要提升电商搜索的转化率，你会从哪些方面入手设计算法？
- 在多模态搜索中，文本和图像特征如何融合？请设计一个简单的方案
匹配度报告
70
综合匹配度
大厂实习岗，技术前沿、成长迅速，但WLB和薪资稳定性一般。
适合人群
最适合注重技术成长和职业发展的求职者，尤其是希望积累前沿AI经验和学术成果的硕博在读学生。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利65
成长发展90
工作生活50
使命价值75
薪资福利匹配
65中等
作为实习岗，薪资水平在大厂中属于中等偏上，但无长期稳定性（实习结束即终止），福利方面JD未提及具体福利，整体补偿性满足程度一般。
薪资信号未披露（AI估算：4K-8K/月）
成长发展匹配
90较高
职位提供丰富的成长机会：前沿技术（LLM、多模态）、业务场景（亿级电商搜索）、学术资源（顶会论文发表、Mentor指导），发展性动机得到高度满足。
技术前沿前沿/新兴技术
技术栈LLM、多模态、强化学习、对比学习、序列建模、RAG、Agent
成长机会Mentor实时指导、学术研究、发表论文
业务类型profit_center
工作生活匹配
50较低
工作地点在北京/杭州，需现场办公，JD未提及弹性工作或WLB信息，作为实习岗可能面临一定的工作强度，生活化满足程度中等偏低。
工作模式仅现场办公
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
75中等
快手电商搜索业务处于高速增长赛道，技术进步对社会购物体验有积极影响，且团队有学术追求，能带来一定使命感。
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