搜推算法工程师-大模型方向

Job description

岗位职责 1 生成式搜推架构设计

主导基于大模型的搜索与推荐系统架构演进，探索将 LLM 应用于召回、排序及重排阶段，实现从“关键词匹配”向“意图理解与内容生成”的跨越。 2 RAG 与知识增强：构建基于检索增强生成（RAG）的垂直领域知识库，解决传统搜推中冷启动、长尾 Query 理解难及事实性幻觉问题，提升回答的准确性与相关性。 3 数据语义对齐：利用多模态大模型（LMM）处理文本、图像、视频等多源数据，挖掘深层语义特征，优化多模态内容的召回与排序效果；负责对应的大数据特征加工用于算法训练。 4 模型微调与优化：负责开源大模型（如 Llama, Qwen, ChatGLM 等）或基座模型的领域微调（SFT）、指令微调（Instruction Tuning）及人类反馈强化学习（RLHF），使其适配特定业务场景。 5 智能体（Agent）探索：探索基于 Agent 的交互式搜索推荐，让用户通过自然对话完成复杂的任务规划与决策辅助。

任职资格 1 学历背景

计算机、人工智能、数学等相关专业，硕士及以上学历，对大模型技术有浓厚兴趣和研究。 2 编程与框架：精通 Python，熟悉 PyTorch/TensorFlow 深度学习框架。熟练掌握 Hugging Face Transformers、LangChain、LlamaIndex 等大模型开发生态工具。 3 大模型核心技术：深入理解 Transformer 架构及其变体，熟悉 Attention 机制、RoPE、FlashAttention 等关键技术细节。 4 有实际的大模型微调（Full Fine-tuning, LoRA, P-Tuning）、Prompt Engineering 或 RAG 系统搭建经验。 5 搜推业务融合：深刻理解传统搜推流程（召回/排序/重排），并能清晰阐述如何将 LLM 融入现有链路（例如：用 LLM 做 Query 改写、用 LLM 做重排打分、用 LLM 生成推荐理由）。 熟悉向量数据库（Milvus, Faiss, Pinecone）及 Embedding 技术。

6 软技能：具备极强的技术敏锐度，能快速跟踪最新论文并转化为实验方案。