字节跳动搜索大模型算法工程师-国际电商
任职要求
1、2026届获得硕士及以上学位，人工智能、计算机、电子、自动化、软件工程、数学等相关专业优先，博士优先； 2、具备扎实的编码能力、数据结构和基础算法功底，熟练运用各种算法框架与工程框架，熟练使用C/C++和Python语言； 3、在搜索、推荐、广告、自然语言处理NLP、自然语言理解NLU、多模态、机器学习、深度学习等一个或多个领域有较深入的研究者优先； 4、在人工智能领域、机器学习领域国际会议或期刊发表论文者优先； 5、具有良好的问题分析解决能力，沟通协作能力，工作积极主动，能够与团队融洽合作，一起探索新技术，推进技术进步。 加分项： 1、…
工作职责
团队介绍：国际电商是以TikTok为载体的电商业务（也称为TikTok Shop），致力于成为用户发现并获取优价好物的首选平台，在直播电商、视频内容电商、货架电商等多场景下，国际电商希望能为用户提供更个性化、更主动、更高效的消费体验，为商家提供稳定可靠的平台服务，致力于新奇好物畅销全球，美好生活触手可得的使命。 Data-电商团队是国际电商的核心算法技术力量，专注于电商领域的算法创新，帮助用户高效发现感兴趣的商品，保障用户的购物安全，提升交易各环节的智能化水平。在这里，你将与一流的产品和技术团队合作、钻研，一起应对技术和业务上的挑战，推动技术在电商场景的深度落地。 1、探索大模型和搜索结合的创新技术；参与搜索引擎研发，探索提升搜索全链路（分析、召回、粗排、精排、混排）的个性化行为建模、相关性能力提升；包括CTR、CVR预估、向量召回、价值混排、RAG、NLP、LLM、多模态、机器学习、深度学习等，推动搜索算法的落地与能力提升，提升转化效率、用户体验和供给生态； 2、深入参与搜索产品的需求设计，负责算法和工程的高质量交付，持续优化效果提升产品体验； 3、挖掘数据，构建Query理解、召回、排序等模型，提升搜索算法能力； 4、学习前沿技术，探索大模型等创新技术在AI搜索场景的落地。
1.大模型在微信搜索的应用落地研究，推进AI生成式问答、复杂语义和多模态检索、多场景查询推荐等业务场景的应用落地； 2.结合大模型技术前沿和搜索场景需求，从训练数据、模型设计、训练工艺等角度深入探索研发高效的大模型算法，包括Post Pretrain、SFT、RM/RL、RAG等方向。
团队介绍： 我们深耕互联网金融信息服务领域，致力于为亿万用户打造高效、稳定、智能的一站式金融搜索服务。依托千万级日活搜索链路、百亿规模索引集群，以及成熟的RAG 与 Agent 技术体系，构建从数据采集、索引构建、语义理解、相关性排序到生成式搜索的全栈技术能力。以高可用、高稳定、高性能架构为核心，持续落地业界前沿 SOTA 技术，为用户提供精准、可靠、专业的金融信息服务。团队以突破传统搜索引擎边界为目标，深度融合搜索与大模型技术，打造下一代智能金融搜索体系。 发展方向：搜索、RAG、Agent算法专家 聚焦语义理解、内容理解、向量检索、RAG、Data Agent等核心方向，将经典检索算法与大模型、RAG、Agent 能力深度融合，覆盖用户意图识别、多模态内容理解、语义召回与精排、生成式搜索等关键场景。负责构建可支撑亿级流量、千亿级数据的工业级智能搜索系统，在真实业务场景中持续迭代算法效果、工程性能与系统稳定性。 岗位职责： 1. 聚焦互联网金融搜索与搜索增强场景，紧跟业界 SOTA 技术趋势，通过算法迭代持续提升搜索、搜索 + LLM 产品效果，支撑产品能力持续升级。 2. 负责语义相关性与语义召回算法研发，基于 LLM SFT、ReFT等构建语义基础能力，包括 LLM 与检索效果对齐、语义匹配、结构化匹配、表征学习等，提升 RAG 及核心搜索业务的文本匹配精度。 3. 建设多模态检索与多模态理解能力，针对金融场景网页、图表、图像、音视频等异构信息，构建跨模态表征、结构化抽取与精准检索体系，提升多模态内容理解与召回质量。 4. 设计与迭代 WebAgent 能力，实现网页自动浏览、交互模拟、信息抽取、事实校验与内容标准化，为搜索与 RAG 提供高质量、高可信数据源。 5. 构建 DataAgent 数据处理与知识融合链路，完成多源金融数据对齐、清洗、整合与归因校验，支撑业务规模化落地。 6. 搭建金融垂域搜索评测与效果对齐体系，从相关性、事实一致性、可用性、稳定性等多维度持续迭代优化。
1.负责元宝Post-training研发与应用，包括多轮对话、写作、长文理解、RAG、AI搜索、Agent、RL、RM等； 2.负责模型在元宝相关业务场景落地，根据业务需求优化模型，提升业务效果； 3.跟踪和探索大模型的前沿问题，结合实际场景，提供全面的技术解决方案，参与前沿算法与应用的研究。
岗位课题： 研究基于LLM的个性化电商排序模型，包括但不限于LLM与稀疏模型结合，或LLM进行端到端生成式排序 课题项目背景： 淘宝主搜索目前主要依托于稀疏特征体系，相较于稠密的多模态稠密特征泛化性偏弱。LLM的世界知识理论上可以解决现有模型面临的问题，实现真正的用户理解/商品理解，基于大模型推理能力实现个性化购物决策路径推理，个性化意图推理等。 实习生同学可以在此项目中深度探索LLM应用到“个性化任务”中的各项子任务，并且在这一过程中深度理解电商业务与前沿技术之间的关系，学习如何实现二者兼顾并产出落地于工业界的技术方案。 岗位职责： 如果你，期望直接接触工业界最真实的海量数据； 如果你，期望探索生成式搜推技术； 如果你，期望探索基于LLM的下一代个性化技术； 如果你，期望兼顾技术深度与业务价值实现，探索研究业界最新的技术方向； 加入我们，与我们一起在复杂业务变化中开拓创新，体验追求极致、进无止境的工程师文化。