字节跳动AI搜索数据运营（搜索策略方向）-DMC
任职要求
1、本科及以上学历优先，专业背景不限；
2、有搜索策略产品或运营经验，英文能力可用作日常沟通语言优先；
3、熟练使用市面上大模型的相关应用，熟悉大模型的训练逻辑；
4、有良好的数据分析能力，能够从数…工作职责
1、专注于大模型联网场景的搜索引擎优化，制定资源覆盖、召回排序等具体搜索策略； 2、和产品团队紧密协同，深度理解AI搜索项目的特点，积极提供有针对性的策略优化建议； 3、能够独立完成搜索数据挖掘、预处理等工作，闭环验证数据在策略实验上的有效性，提升数据在联网场景能力上的可用性与价值。
这是一个综合的AI推理、优化的技术岗位，适合希望从事以下工作的候选人投递： ● 希望从事AI应用构建与模型优化工作的候选人 ● 希望从事AI应用数据构建与自动化评测工作的候选人 ● 希望从事多模态AI应用构建与算法优化工作的候选人 围绕真实业务核心场景，参与AI应用的系统化构建与优化，把AI变为业务增长引擎，具体职责包括以下相关方向的一项或多项： 1、AI应用全生命周期演进：深度参与业务问题建模、应用架构设计、上下文工程、训练数据构建、自动化评估体系、模型后训练优化等； 2、数据飞轮构建：打造高质量数据生产链路，探索合成数据（Synthetic Data）与高效蒸馏技术方案，跑通“业务-模型-反馈”迭代闭环； 3、评测体系构建：面向业务目标，设计完备的AI应用效果评估体系，构建自动化评估框架，建立离线评估与在线业务指标联动的量化评估能力； 4、强化学习与奖励机制设计：构建可工程化的Reward体系与RL训练环境，提升模型在垂直业务场景中的可控性与泛化能力； 5、AI外部能力体系搭建：实现AI应用所需的知识库（RAG）、长短期记忆系统（Memory）、工具调用、多Agent协作框架等； 6、多模态AI应用开发：构建AI应用的多模态感知与推理能力，解决在UI自动化、视觉理解与审核、多模态会话等场景的落地应用问题。
1、协助制定并执行AI搜索优化策略，研究豆包、千问等AI大模型的内容抓取喜好，分析行业竞品，挖掘优化机会，提升品牌在AI搜索中的曝光度和可信度。 2、参与内容优化全流程，协助策划、撰写适合AI抓取的内容（比如常见问题FAQ、行业案例、科普文章等），优化内容结构，让内容更易被AI识别和引用。 3、协助在自媒体、行业论坛、新闻平台等渠道发布优化后的内容，搭建跨平台内容矩阵，保证品牌信息统一、专业，提高内容被AI引用的概率。 4、 负责AI搜索相关数据的监测和初步分析，跟踪AI平台对品牌的提及情况、内容抓取效果，整理成易懂的数据报告，找到优化方向，助力策略迭代。 5、关注AI大模型、AI搜索优化的行业动态和优秀案例，收集相关信息，为团队优化策略提供参考，协助开展优化实验并跟进落地。 6、 配合内容、数据分析、产品等跨部门协作，推动AI搜索优化工作落地，确保运营动作和公司整体营销目标保持一致。
我们是负责ICBU - AI +Search 的搜索算法团队。团队通过AI的赋能，让买家理解更加智能与精准，让买家体验更加丝滑，为平台高质量买家增长、留存打下坚实的基础。 1、业务上，你能深入了解： （1）全球买家的特色：多国家、多语言、多行业； （2） 场景上不同的心智与差异：找品赛道、找商赛道、多模态搜索以及创新深度搜索，为我们提供更多可能的技术探索； 2、技术上， （1）LLM的深度探索与定制：多模态—CPT、对齐、推理、生成 ；文文：场景数据的post traing、定制化的任务设计以及与rag、强化学习等技术结合； （2）有挑战&有趣的效率系统：探索国家差异化、不均衡、冷启、双赛道的持续创新； （3）机制-运筹学，从宏观层面清晰系统问题，给予平台指挥棒。 智能搜索 ·通过建设具备Alibaba.com特色的多模态表征大模型、多模态reasoning模型，智能实现：用户搜他想搜，找他想找的能力，助推买家增长&留存，打造独特的多模态理解能力； ·通过建设具备To B电商知识的深度思考大模型，逐步拆解买家的诉求，提供清晰的路径以及方案，实现搜索智能化的漂亮转身； ·通过深度应用大语言模型技术与强化学习技术的结合，实现高效、精准的信息匹配，并能够完成流量分配决策的智能化，推动业务增长，实现买家、商家、平台三方共赢。 1. 我们所在的组是为全球最大的B2B电商-alibaba.com搜索算法业务服务，致力打造全球顶级的搜索引擎，为买家带来极致的采购体验。 2. 探索大模型推理、强化学习等技术跨境电商AI创新业务落地，包括但不限于基座模型的训练，数据的整理，技术创新，重构B2B Sourcing的全新交互体验。 3. 负责跨境电商大模型的研发，包括SFT到RLHF的LLM全链路post-training技术建设。 4. 负责LLM的前沿技术探索，持续迭代自研模型能力，支撑搜索创新的落地。
负责设计与构建涵盖公共互联网信息的下一代 AI 搜索系统。主导从数据采集、索引构建到检索增强生成（RAG）的全链路架构设计，解决在百亿级文档规模下的高并发、低延迟及事实一致性难题。 核心职责包括： 1、公网数据流水线架构设计：设计并实现高吞吐的公网数据采集与清洗系统，应对海量、多模态及动态变化的公开网络数据； 2、混合检索与 RAG 引擎优化：构建基于“向量检索 + 关键词倒排索引”的混合检索架构，在百亿级文档库中实现毫秒级的高精度召回； 3、大模型事实一致性校验：研发生成式搜索中的事实校验模块，抑制“幻觉”现象。 建立自动化评估框架，量化搜索结果的可解释性、准确性及来源权威性； 4、高性能系统架构演进： 参与 AI 搜索系统的整体架构设计，推动系统从传统云原生架构向 AI 原生架构转型，整合分布式索引与大模型推理能力，平衡计算资源成本与系统性能。