算法工程师-AI智能决策（生成式/强化学习/因果推断）

北京/杭州 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1、本科及以上学历，计算机科学/人工智能/运筹优化/数理统计等相关专业优先；
2、具备扎实的编程基础（Python/C++/Java），熟悉常用算法与数据结构；
3、熟悉TensorFlow/PyTorch等主流框架，具备良好的工程实现能力，能完成从算法设计到线上部署的全流程；
4、有深度学习基础理论，具备优秀的逻辑思维、抽象建模能力和跨团队协作意识，能够在复杂业务中提炼技术问题并推动落地；
5、对AI技术充满好奇心，主动关注大模型、搜推广、NLP、强化学习等领域前沿进展；
6、在因果推断、广告出价、运筹优化、强化学习/在线学习、大模型等领域有实战经验者优先。
【加分项】
1、在KDD、SIGIR、WWW、ICML、NeurIPS、RecSys等国际顶会发表过相关论文；
2、在ACM、数学建模、天池、Kaggle等算法竞赛中取得优异成绩；
3、有大规模在线广告、搜推系统、权益发放、用户增长等方向实习经历或大模型训练/微调经验（如Llama、GPT、多模态模型）相关项目经历。

岗位描述

1、参与“AI智能决策”核心引擎的算法创新与落地，面向权益激励、货品优惠定价、广告出价、搜索/推荐流量机制等通用场景，提升模型预估效果和决策出价精准度，持续提升ROI/GMV/LTV与用户体验；
2、通过因果推断建模、运筹决策算法、出价/流量机制策略等技术创新，探索个性化、实时化、智能化的激励分配引擎，最大化平台GMV与用户转化，提升资源分配效率；
3、探索生成式权益、LLMxUplift、AI Agent智能决策等方向，推动前沿AI技术核心电商业务领域的落地与应用；
4、面向亿级用户、亿级资金、百亿级流量，完成从数据指标体系建设、离线训练与评估、仿真推演、在线AB与监控到持续技术迭代的工业级应用落地，应用AI驱动资金/流量智能决策，助力商业增长。
1、本科及以上学历，计算机科学/人工智能/运筹优化/数理统计等相关专业优先；
2、具备扎实的编程基础（Python/C++/Java），熟悉常用算法与数据结构；
3、熟悉TensorFlow/PyTorch等主流框架，具备良好的工程实现能力，能完成从算法设计到线上部署的全流程；
4、有深度学习基础理论，具备优秀的逻辑思维、抽象建模能力和跨团队协作意识，能够在复杂业务中提炼技术问题并推动落地；
5、对AI技术充满好奇心，主动关注大模型、搜推广、NLP、强化学习等领域前沿进展；
6、在因果推断、广告出价、运筹优化、强化学习/在线学习、大模型等领域有实战经验者优先。

【加分项】

1、在KDD、SIGIR、WWW、ICML、NeurIPS、RecSys等国际顶会发表过相关论文；
2、在ACM、数学建模、天池、Kaggle等算法竞赛中取得优异成绩；
3、有大规模在线广告、搜推系统、权益发放、用户增长等方向实习经历或大模型训练/微调经验（如Llama、GPT、多模态模型）相关项目经历。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →