阿里巴巴1688-AI搜索算法工程师-杭州
任职要求
1. 计算机、人工智能、数学等相关专业，1年以上搜索、推荐、NLP等领域算法经验。 2. 熟练掌握机器学习/深度学习算法，熟练使用PyTorch框架，对搜推/NLP/LLM/Agent 任一子方向有深入了解，尤其语义搜索和LLM Ag…
工作职责
1. 语义搜索：负责长文本多模态语义搜索技术，包括意图识别、Query改写、向量化检索、相关性匹配等。 2. 深度搜索：负责Deep Search 技术研发，重点探索基于强化学习的“推理->搜索->评估”闭环范式，解析用户复杂的采购需求，提供从浅层商品匹配到深层供应链寻源的一站式解决方案。 3. Search Agent：研发下一代搜索智能体，使其具备多轮对话、意图澄清、工具调用与复杂任务拆解能力，推动搜索从被动检索向主动服务与决策助手演进。
1、负责支付宝AI搜索产品相关的算法研发，方向包括：多轮上下文理解、知识规划、RAG知识增强、大模型可控生成等 2、参与LLM算法研发，包括LLM微调、偏好对齐等 3、负责算法落地支持业务需求迭代
关于我们 ● 我们是阿里巴巴国际数字商业集团-阿里巴巴国际站-Accio算法团队。阿里巴巴国际站是全球最大的跨境B2B数字化贸易平台。 ● 我们团队一直追求极致的技术创新 (每年都有多篇顶会paper)，从Bert到T5，多次推动业务跨越式发展。去年自研LLM完整技术栈，成功驱动生意助手大规模商业化落地。今年正在全力打造全球首个B2B AI Sourcing Agent，自研Agent框架和全新AI Search系统，目前已成功全球发布，迈向更广阔的未来。 职责描述： 1. 负责阿里国际全球首个B2B AI Sourcing Agent的全链路研发，包括对话交互式智能搜索，AI导购Copilot等。 2. 负责AI搜索系统的算法升级，包括长文本多模态Doc的语义召回和多语言多模态的相关性匹配。 3. 负责AI导购系统的效果优化，用最前沿的RAG/Agent技术，重构B2B Sourcing的全新交互体验。 4. 负责AGI前沿技术探索，引入业界最新SOTA技术，攻克垂类AI Search/Agent落地的技术难点。
团队介绍：字节跳动搜索团队主要负责抖音、今日头条、西瓜视频等产品的搜索工程、算法创新和架构研发工作。我们的职责是用前沿的技术去打造一个用户体验佳、信息效率高的搜索引擎产品。我们的愿景是做一款用户首选的搜索引擎，我们的使命是可以充分整合内容，高效连接人与信息。 团队主要负责抖音、今日头条、西瓜视频、问答和百科等产品的业务研发和架构研发工作。 我们使用前沿的前端、客户端和服务端技术赋能于搜索业务的快速迭代，并在技术上不断创新和突破。同时专注于大流量、高并发、低延时的搜索系统的构建，在性能优化上，追求从内存、Disk等优化到业务架构和网络协议的创新探索，在迭代效能上不断探索容器化、动态化、搭建化等方案的创新，技术氛围强，充分给同学们提供自我成长的机会。 课题介绍：随着大模型技术的快速发展，智能搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户复杂需求时，逐渐暴露出模型容量不足、语义理解能力有限、资源利用率低等问题。基于大模型的智能搜索构建旨在通过引入大模型技术，提升搜索系统的智能化水平，优化用户体验，并解决超大规模检索、复杂语义理解、资源高效利用等核心问题。具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验； 2、研究生成式检索算法，解决百亿乃至千亿级别候选库的超大规模检索问题； 3、利用大语言模型（LLM）提升复杂多义Query的搜索满意度。 1、个性化排序：传统排序算法难以充分利用多模态信息（如文本、图像、视频等），且模型复杂度有限，无法满足用户对精准化和个性化搜索的需求； 2、超大规模检索：传统判别式模型在千亿级别候选库的检索中，面临模型容量不足、索引效率低下等问题，亟需新一代检索算法； 3、复杂Query理解：用户搜索需求日益复杂，传统搜索引擎难以准确理解长难句、多义Query的语义，导致搜索结果满意度低； 4、资源利用率：搜索系统存储和计算分离的架构导致资源利用率低，如何在保证性能的同时优化资源使用成为关键问题。
团队介绍：字节跳动搜索团队主要负责抖音、今日头条、西瓜视频等产品的搜索工程、算法创新和架构研发工作。我们的职责是用前沿的技术去打造一个用户体验佳、信息效率高的搜索引擎产品。我们的愿景是做一款用户首选的搜索引擎，我们的使命是可以充分整合内容，高效连接人与信息。 团队主要负责抖音、今日头条、西瓜视频、问答和百科等产品的业务研发和架构研发工作。 我们使用前沿的前端、客户端和服务端技术赋能于搜索业务的快速迭代，并在技术上不断创新和突破。同时专注于大流量、高并发、低延时的搜索系统的构建，在性能优化上，追求从内存、Disk等优化到业务架构和网络协议的创新探索，在迭代效能上不断探索容器化、动态化、搭建化等方案的创新，技术氛围强，充分给同学们提供自我成长的机会。 课题介绍：随着大模型技术的快速发展，智能搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户复杂需求时，逐渐暴露出模型容量不足、语义理解能力有限、资源利用率低等问题。基于大模型的智能搜索构建旨在通过引入大模型技术，提升搜索系统的智能化水平，优化用户体验，并解决超大规模检索、复杂语义理解、资源高效利用等核心问题。具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验； 2、研究生成式检索算法，解决百亿乃至千亿级别候选库的超大规模检索问题； 3、利用大语言模型（LLM）提升复杂多义Query的搜索满意度。 1、个性化排序：传统排序算法难以充分利用多模态信息（如文本、图像、视频等），且模型复杂度有限，无法满足用户对精准化和个性化搜索的需求； 2、超大规模检索：传统判别式模型在千亿级别候选库的检索中，面临模型容量不足、索引效率低下等问题，亟需新一代检索算法； 3、复杂Query理解：用户搜索需求日益复杂，传统搜索引擎难以准确理解长难句、多义Query的语义，导致搜索结果满意度低； 4、资源利用率：搜索系统存储和计算分离的架构导致资源利用率低，如何在保证性能的同时优化资源使用成为关键问题。