腾讯
实习微信视频号-加热Agent智能投放与素材生成算法研究
广州 · 实习 · 博士
长期有效
任职要求
- 学历和专业要求：计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究生，具备扎实的算法理论基础。
- 技术技能要求：深入理解 LLM 应用开发，熟练掌握 LangChain 等框架，有 RAG、Function Calling、Memory Mechanism 的实际落地经验；在多模态生成 / 多模态理解领域有深入理解与实际项目经验，掌握扩散模型 / DiT 等生成模型原理；
- 软性素质要求：问题抽象与拆解能力强，主动推进意识强，注重落地实际效果与业务价值；自驱、务实，能从真实业务 / 用户反馈中发现问题并驱动优化；沟通协作与工程落地能力强，对技术细节有极致追求。
岗位描述
【岗位职责】
课题背景：投放与创意生产正在从"人工盯盘、经验调优、拍摄剪辑"升级为"AI 全流程自动托管"——未来广告主只需说清目标，一个 24 小时在线的"AI 数字投手"即可自主完成从广告诊断、策略制定、素材生成到自动出价的全链路托管。这需要把 LLM 的理解与推理能力、Agent 的感知—决策—执行闭环、生成式模型的多模态创意能力，与真实广告投放系统的反馈信号深度融合，让 AI 具备可持续进化的投放与创意能力，最大化广告主长短期收益。
课题挑战：
- 1.让 Agent 理解复杂、模糊的投放目标（如"稳 ROI 拉量、控成本"），并自主拆解为投放调控与素材生产的动作序列；
- 2.让生成的素材不仅"看起来可投放"，更能真正带来转化——把点击 / 转化反馈归因回生成模型，形成 ROI 导向的创意闭环，同时满足主体一致性、平台调性与广告合规；
- 3.在高动态、强反馈延迟的竞价环境中，实现稳定、可解释、可回滚的策略调整，避免"幻觉决策"造成投放事故；
- 4.构建面向广告业务的长期记忆与领域知识库，并搭建低成本试错的仿真与评估体系，使 AI 投手持续自我迭代。
具体工作：
- 1. 智能投放：自动化广告托管、Agent智能决策、Agent全链路闭环优化
- 2. AIGC素材生成：面向投放的文生图、图生图、文生视频、图生视频能力优化
【任职要求】
学历和专业要求：计算机科学、人工智能、数据科学等相关专业的博士 / 硕士研究生，具备扎实的算法理论基础。
技术技能要求：深入理解 LLM 应用开发，熟练掌握 LangChain 等框架，有 RAG、Function Calling、Memory Mechanism 的实际落地经验；在多模态生成 / 多模态理解领域有深入理解与实际项目经验，掌握扩散模型 / DiT 等生成模型原理；
软性素质要求：问题抽象与拆解能力强，主动推进意识强，注重落地实际效果与业务价值；自驱、务实，能从真实业务 / 用户反馈中发现问题并驱动优化；沟通协作与工程落地能力强，对技术细节有极致追求。
【技术方向】
智能体、强化学习
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。