【快Star】搜索大模型算法工程师

优缺点分析

角色解读

• 在快手内部成长为搜索算法专家或技术Leader，主导核心算法方向
• 随着大模型在搜索领域的深入，可转型为AI研究员或技术总监
• 积累大规模系统经验，未来可跳槽至其他大厂或创业
• 将大模型技术应用于短视频搜索，提升搜索效果和用户体验
• 研究生成式检索算法，处理百亿级候选库的高效检索
• 探索搜索模型的Scaling Law，优化算力利用和排序模型
• 设计基于大模型的意图理解和自动化评测系统
• 精通搜广推算法和LLM/MLLM，具备深入研究和实践经验
• 扎实的工程能力，熟练使用C/C++和Python进行算法实现
• 熟悉机器学习与数据挖掘算法，具备优秀的问题分析能力

申请策略

• 了解快手的搜索产品（如快搜）和用户痛点，面试中展现业务理解
• 准备一个完整的大模型搜索优化案例，从问题定义到解决方案
• 突出搜广推相关项目经验，尤其是大模型在搜索或推荐中的应用
• 强调工程实现能力，附上GitHub或开源贡献链接
• 如有论文发表，列在显眼位置，特别是顶会论文
• 用数据量化成果，如提升搜索点击率、召回率等
• 深入学习LLM/MLLM原理和微调技术，如LoRA、RLHF
• 复习C/C++性能优化和分布式系统知识，应对大规模候选库场景

面试指南

• STAR法则：情境(Situation)、任务(Task)、行动(Action)、结果(Result)来结构化回答项目经验
• 从问题本质出发，提出多种方案并比较优劣，展示系统思维
• 结合快手搜索场景，给出针对性方案，展现业务洞察
• 请解释生成式检索与传统检索的区别，以及在大模型下的实现方案
• 如何设计一个Scaling Law实验来优化搜索排序模型？
• 描述你过去在搜广推中使用LLM提升效果的具体案例
• 如何处理百亿级候选库的检索效率问题？
• 你对搜索场景下的意图理解有哪些创新想法？