美团
校招【LongCat大模型人才校招】大模型数据抓取算法专家
北京/上海 · 校招 · 2027 届 · 本科
长期有效
任职要求
- 1.熟悉Python和PyTorch等深度学习框架、具备扎实的操作系统、计算机网络、分布式系统、算法、数据结构、机器学习基础，对分类、排序等问题有一定理解。
- 2.有较强的工程实现和跨团队协作能力。
- 3.对网页质量识别、内容理解、信息抽取等方向有兴趣，有相关方向顶会论文、项目或实习经验优先。
- 【为什么是我们】
- 1.超大规模真实业务场景：面向海量、多源、动态变化的数据抓取与处理需求，能够在真实复杂业务环境中解决高并发、高稳定性、高可用性的工程问题，技术挑战足够硬核。
- 2.数据链路价值清晰可见：从数据获取、清洗、治理到业务消费，抓取能力直接影响数据供给效率和业务决策质量，工作成果能够快速作用于核心业务场景，价值感强。
- 3.全链路技术深度与广度兼具：涉及分布式调度、爬取友好、代理与网络策略、质量识别、异常恢复、数据治理、工程平台化建设等，能够系统性提升能力。
- 4.业务理解与技术能力双成长：需要深入理解业务目标、数据价值和使用场景，不只是完成抓取任务，更是围绕“如何稳定、合规、高效地获得高价值数据”持续优化，成长空间大。
岗位描述
【岗位职责】
【AI愿景】
美团龙猫基座大模型，不只聪明，更懂生活。从语言理解到全模态感知，从架构创新到极致推理，从海量预训练到亿级真实订单 —— 我们造的不仅是实验室里的“优等生”，更是活在大街小巷、三餐四季里的AI。 而我们想做的远不止于此 —— 让模型自己提出假设、训练自己、不断进化； 让一群智能体像团队一样分工协作、攻克复杂问题； 让 AI 走出屏幕，理解物理世界、走进真实场景。 这是我们正在冲刺的方向，也是你可以参与定义的未来。 加入我们，一起把智能带进真实物理世界，亲手打造下一代 AGI！
【团队介绍】
基座大模型AI Infra团队，以支撑前沿基础模型持续演进为目标，面向大模型研发与生产全链路，构建高性能、高稳定性、可持续扩展的AI基础设施体系。围绕高效率实验平台、大规模训练生产能力，以及模型结构与芯片架构协同优化， 沉淀软硬一体、训推贯通的关键基础能力，提升模型迭代效率、训练资源利用率与系统上限。
【岗位职责】
负责面向LLM数据场景中海量数据抓取需求建设，构建文本、多模态等高质量数据获取能力。
- 1.面向海量多源数据场景，构建高可用、高稳定性的分布式数据调度与抓取系统，保障数据供给的及时性与完整性。
- 2.针对不同目标站点的技术防护手段，设计并实现动态友好爬取方案，持续提升抓取成功率与数据质量，保障采集链路在复杂对抗环境下的持续可用。
- 3.设计数据清洗、去重、校验、质量等保障机制，确保整体系统的效率，对数据缺失、异常、延迟等风险做到早发现、早恢复。
- 4.深入理解业务场景对数据的需求，协同算法、搜索、策略、数据平台等团队，将抓取能力与业务目标对齐，推动数据
【任职要求】
- 1.熟悉Python和PyTorch等深度学习框架、具备扎实的操作系统、计算机网络、分布式系统、算法、数据结构、机器学习基础，对分类、排序等问题有一定理解。
- 2.有较强的工程实现和跨团队协作能力。
- 3.对网页质量识别、内容理解、信息抽取等方向有兴趣，有相关方向顶会论文、项目或实习经验优先。
【为什么是我们】
- 1.超大规模真实业务场景：面向海量、多源、动态变化的数据抓取与处理需求，能够在真实复杂业务环境中解决高并发、高稳定性、高可用性的工程问题，技术挑战足够硬核。
- 2.数据链路价值清晰可见：从数据获取、清洗、治理到业务消费，抓取能力直接影响数据供给效率和业务决策质量，工作成果能够快速作用于核心业务场景，价值感强。
- 3.全链路技术深度与广度兼具：涉及分布式调度、爬取友好、代理与网络策略、质量识别、异常恢复、数据治理、工程平台化建设等，能够系统性提升能力。
- 4.业务理解与技术能力双成长：需要深入理解业务目标、数据价值和使用场景，不只是完成抓取任务，更是围绕“如何稳定、合规、高效地获得高价值数据”持续优化，成长空间大。
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。