【北斗】搜索大模型算法工程师

北京 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

【任职资格】
必要条件：
1.2027届本科及以上学历，计算机、人工智能等相关专业；
2.扎实的机器学习和深度学习基础，理解搜索系统核心原理；
3.熟悉NLP、语义理解、信息检索等技术领域；
4.熟练掌握Python/C++，熟悉PyTorch/TensorFlow等框架；
5.优秀的算法实现和工程优化能力。
加分项：
1.有搜索、推荐、NLP相关实习或项目经验；
2.熟悉大模型训练、微调、prompt engineering等技术；
3.在KDD、SIGIR、WWW、ACL、EMNLP等顶会发表论文；
4.有向量检索、dense retrieval、reranking等方向研究经验；
5.ACM/ICPC、Kaggle等竞赛获奖者；
6.对本地生活场景有深入理解。
【为什么是我们】
1.顶级算力资源：千卡级GPU集群，充足的算力支持你的大胆想法；
2.海量真实数据：日均数亿次搜索query，覆盖全场景的本地生活数据；
3.极致技术挑战：毫秒级响应、亿级索引、复杂意图理解的工程难题；
4.直接业务影响：你的算法创新将服务数亿用户，快速验证技术价值；
5.开放研究氛围：鼓励论文发表，支持参加顶会，与学术界保持紧密合作；
6.成长空间广阔：搜索×大模型交叉领域，技术深度与业务广度兼具。

岗位描述

【岗位职责】

【愿景】

美团搜索服务日均处理数亿次查询，我们正在经历从“统计匹配”向“认知推理”的 Search 3.0 跨越。你将不仅是算法的优化者，更是搜索基座和业务应用的构建者（Builder）。通过构建高泛化、可扩展的算法基座，支撑医药、闪购等多元业务线的智能化升级，定义下一代生活服务搜索的本质规律。

【你将负责】

1.意图理解基座：超越传统的分类与匹配，利用 LLM 构建具备认知能力的意图基座，深度解构口语化、省略表达及多意图混合等复杂场景。探索 Query 的语义改写、扩展与纠错技术，将非结构的“人话”精准转化为结构化的搜索逻辑，实现对用户深层需求的本质洞察。
2.排序预估基座：推动排序模型的 Scaling Up，探索大参数量模型在 Relevance 判断与 Ranking 中的性能边界，提升对复杂 Query-POI 关系的建模深度。负责 LLM-based Reranking、特征增强及神经符号 AI 的结合，利用 Scaling Law 提升排序逻辑的泛化性与预估精度。
3.生成式召回基座：构建基于大模型的语义表示学习体系，突破长尾 Query 与 POI 的匹配瓶颈。优化向量召回与混合召回策略，在海量候选集中精准平衡相关性、多样性与发现感，实现“所想即所得”。
4.跨业务 Builder 型组织建设：作为 Builder，构建跨业务（餐饮、医药、即时零售、服务零售、酒旅等）的通用算法框架，确保技术底座能够快速适配不同垂直场景的特性。在毫秒级延迟的严苛约束下，主导大模型在线 Serving 优化，通过蒸馏、量化、缓存等手段实现效果与性能的极致平衡。

你将直接优化影响数亿用户的核心搜索链路，用大模型技术解决搜索的关键瓶颈。

【任职要求】

【任职资格】

必要条件：

1.2027届本科及以上学历，计算机、人工智能等相关专业；
2.扎实的机器学习和深度学习基础，理解搜索系统核心原理；
3.熟悉NLP、语义理解、信息检索等技术领域；
4.熟练掌握Python/C++，熟悉PyTorch/TensorFlow等框架；
5.优秀的算法实现和工程优化能力。

加分项：

1.有搜索、推荐、NLP相关实习或项目经验；
2.熟悉大模型训练、微调、prompt engineering等技术；
3.在KDD、SIGIR、WWW、ACL、EMNLP等顶会发表论文；
4.有向量检索、dense retrieval、reranking等方向研究经验；
5.ACM/ICPC、Kaggle等竞赛获奖者；
6.对本地生活场景有深入理解。

【为什么是我们】

1.顶级算力资源：千卡级GPU集群，充足的算力支持你的大胆想法；
2.海量真实数据：日均数亿次搜索query，覆盖全场景的本地生活数据；
3.极致技术挑战：毫秒级响应、亿级索引、复杂意图理解的工程难题；
4.直接业务影响：你的算法创新将服务数亿用户，快速验证技术价值；
5.开放研究氛围：鼓励论文发表，支持参加顶会，与学术界保持紧密合作；
6.成长空间广阔：搜索×大模型交叉领域，技术深度与业务广度兼具。

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 →