阿里巴巴
校招算法工程师-AI搜索/推荐/广告
北京/杭州 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 1. 基础扎实：计算机/AI相关专业硕士及以上，机器学习/深度学习理论基础深厚。
- 2. 技术栈：精通 Python/C++ 及 PyTorch/TF，深入理解 Transformer，有 LLM 预训练/SFT/RLHF/RAG 实战经验者优先。
- 3. 业务经验：熟悉搜/推/广经典算法（召回/排序/相关性等），有大模型改造传统链路经验者极佳。
- 4. 前沿视野：对 AI Agent、Multi-modal LLM、Generative Retrieval 有深入研究，具备极强的工程落地能力与创新意识。
岗位描述
- 1. 前沿技术落地：负责 Agentic Search/Reasoning、Deep Research 及多模态大模型在电商场景的应用；探索 RLHF/RLAIF 对齐技术，推动搜推广架构向生成式预估/召回演进，验证 Scaling Law 潜力。
- 2. 体验重构优化：深耕 Query 意图理解、语义检索及 UGC 内容生成；利用 LLM CoT 增强用户行为建模与偏好推理，提升搜推相关性、丰富度及匹配精准度。
- 3. AIGC 商业提效：构建生成式内容生态（自动标题/卖点、文生图/视频、自动化投放），通过提升内容质量与生产效率，驱动用户体验与商业转化双增长。
- 4. 智能体体系构建：研发 AI Agent、Agentic RL 及多智能体协同技术，应用于智能导购、交互式搜推及复杂供需匹配，打造具备自主推理、动态规划及自进化能力的智能系统。
- 1. 基础扎实：计算机/AI相关专业硕士及以上，机器学习/深度学习理论基础深厚。
- 2. 技术栈：精通 Python/C++ 及 PyTorch/TF，深入理解 Transformer，有 LLM 预训练/SFT/RLHF/RAG 实战经验者优先。
- 3. 业务经验：熟悉搜/推/广经典算法（召回/排序/相关性等），有大模型改造传统链路经验者极佳。
- 4. 前沿视野：对 AI Agent、Multi-modal LLM、Generative Retrieval 有深入研究，具备极强的工程落地能力与创新意识。
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。