高德地图高德-搜推系统性能优化工程师-AI agent

● 负责搜推业务全链路性能优化，从特征获取到模型推理的端到端延迟优化 ● 设计和优化特征处理pipeline，包括特征并行计算、批处理、缓存策略等 ● 分析和优化系统瓶颈，包括网络IO、存储访问、CPU/GPU利用率等关键

【团队介绍】 唯品会个性化工程团队，负责公司核心三大业务场景：搜索、推荐和用户增长。团队致力于打造业内领先的搜推效率引擎和用户增长引擎，践行“品牌特卖，就是超值”的业务使命，助力公司业绩和用户规模的持续增长。 通过LLM在搜推场景的意图理解、相关性建模、生成式召回、智能创意的应用，提升搜推系统端到端的体验、匹配效率，构建下一代基于大型语言模型（LLM）的智能搜推系统。 1、用户需求理解体系：结合用户的实时行为数据，研发基于LLM的意图推理引擎，提升搜推结果相关性与用户满意度。 2、生成式召回：研究基于大模型的生成式召回方法，实现以模型参数为载体的候选内容记忆与生成，突破传统召回技术的局限。 3、智能创意：探索搜推场景下的创意素材展示策略，基于多模态内容理解表征建模、在线多目标创意素材排序建模，提升搜推的展示体验与效率。 4、多业务多目标混排机制：参与设计多业务多目标混排机制，实现多业务混合排序架构，融合多业务多目标排序，实现全局最优。 5、引领下一代AI原生搜索系统：深度参与“生成式搜索”从理念到产品的全链路建设，推动大模型与传统搜索架构的深度融合。

【团队介绍】 唯品会个性化工程团队，负责公司核心三大业务场景：搜索、推荐和用户增长。团队致力于打造业内领先的搜推效率引擎和用户增长引擎，践行“品牌特卖，就是超值”的业务使命，助力公司业绩和用户规模的持续增长。 传统搜推系统一般采用“召回-粗排-精排-重排”级联架构，每个环节都需要独立设计、维护和优化，复杂度极高，且容易导致各阶段优化目标不一致。随着大模型和生成式技术的快速发展，其强大的表征能力和良好的Scaling性质也为搜推系统提供了新的可能性。生成式搜推的终极目标是用一个强大的生成模型替代整个多阶段链路，打开模型决策空间，最大化平台收益。 1、生成式搜推训练框架：基于前沿大模型（如Transformer、HSTU、RankMixer等），设计生成式搜推模型的分布式训练框架，通过自顶向下的性能分析，优化数据/模型的高效并行处理和混合精度训练策略，构建业界领先的超大规模稀疏训练引擎，提升训练效率和线性加速比。 2、高性能推理引擎建设：面向 CUDA/CPU 等异构计算平台，深入优化推理性能，通过手写 CUDA / Triton 算子、算子融合、量化压缩及 XLA / MLIR 等技术，挖掘 GPU 硬件极致算力，打造一流的执行引擎。 3、搜推链路端到端重塑：超长行为序列与超大候选Item情况下，优化传统的多阶段网络传输架构，构建一体化硬件支撑的召回/排序/机制统一服务。

1、洞察市场趋势、用户需求、竞争格局和技术发展，负责搜索平台的产品生命周期管理，从概念、规划、研发到上线、迭代、优化。 2、深刻理解用户搜索场景、意图和行为，挖掘深层次需求，并将其转化为清晰的产品需求文档（PRD）。 3、深入理解搜索引擎的工作原理、架构组件和关键算法，能与工程、算法团队进行高效深度沟通，评估技术方案的可行性与成本，推动技术创新在搜索平台上的应用，负责搜索平台的稳定性、可扩展性、性能和成本优化。 4、负责管理产品需求池，进行优先级排序和迭代规划，领导跨职能团队（工程、算法、数据、设计、测试）确保产品高质量、高效率交付。