美团资深AI搜索算法工程师

我这有个去年的JD，你看看能不能直接用，还是需要调整： 1、搜索相关性优化 *负责电商搜索链路（召回/粗排/精排）的相关性建模，提升用户体验。 *聚焦 降低 bad case（无关、劣质、不完整结果），提升结果的准确性与覆盖率。 2异常 case 治理 *构建 相关性异常检测与纠偏机制，减少用户“搜不到 / 搜不准”的情况。 *通过语义匹配、Query 理解、意图识别等手段，优化长尾、模糊、歧义搜索请求。 3、前沿算法探索与应用 *应用 大规模预训练模型（LLM）等技术，提升搜索体验。 *探索 query rewrite / query expansion / re-ranking 技术，改善搜索结果的精准度与多样性。 4、数据与特征建设 *挖掘用户行为数据（点击、加购、下单等）以及商品内容特征，建立高质量的特征体系。 *构建数据闭环，推动 bad case 的自动发现、样本生成与模型优化。

搜索正迈向大模型驱动、多模态融合、自主任务执行的新范式。团队专注LLM/VLM与经典搜索内核、分布式引擎的深度融合，打造面向C端海量用户与B端政企客户的下一代智能搜索及对话式Agent产品。 1. AI Search与Agent核心架构及算法：制定AI Search与企业Agent中长期技术战略。主导传统搜索向AI原生架构的融合重构，全链路设计Query理解、多模态召回、精排、生成式答案与Agent编排。推进长文本/多模态检索与RAG体系优化，突破意图拆解、长上下文管理、工具调用与多步规划，建立知识连接器与安全护栏。 2. 底层引擎攻坚与AI系统基建：攻坚底层存储与分布式检索引擎，优化内核、索引结构与向量存储。通过存算分离、冷热分层、集群调度等手段，系统性解决延迟、成本与高并发稳定性问题。打通数据治理、向量嵌入、模型实验到灰度发布的标准化闭环，保障高吞吐与低成本。 3. 数据飞轮、模型训练与评测体系：构建“数据飞轮—场景微调（SFT/DPO）—自动化评测”的闭环体系，以检索导向的奖励信号与数据生态从源头强化事实忠实度，依托高置信度评测基线与动态消融实验，精准归因并系统性压制幻觉，保障企业级交付效果可靠性。 4. 商业化落地与政企交付闭环（聚焦业务结果与ToB交付）：联动产研销团队，主导政企客户AI搜索与Agent方案落地。负责客户知识库结构化接入、向量化治理与记忆体系搭建，结合模型适配微调，推进工程化交付与评测，拿下KA客户。并沉淀行业解决方案与微调范式，实现标准化、规模化复制。 5. 团队管理、跨部门协同与技术影响力（聚焦组织发展与行业发声）：管理跨方向技术团队，打造以存储工程为核心、模型定制与算法协同为延伸的复合型技术团队。

1、负责企业级云原生机器学习平台建设，支撑模型开发、训练、部署、上线全生命周期管理； 2、负责机器学习平台核心组件落地与优化，包含分布式训练调度、模型版本管理、模型服务化推理部署； 3、负责 GPU 算力集群精细化运营，通过资源调度、弹性伸缩、异构算力管理，优化大模型训练 / 推理成本； 4、搭建平台监控、告警、可观测体系，保障机器学习集群及业务系统高可用、高稳定； 5、对接算法、业务团队，拆解需求并提供 MLOps 标准化平台解决方案。

1.AI算法模型效果运营，包括： 1）负责ASR/NLU/NLP/CV等模型在真实业务中的效果监控与分析; 2）基于模型核心指标体系(如WER、CER、SlotF1等);持续跟踪模型在不同语言、不同设备、不同用户场景下的表现变化。 2.数据回流与模型优化闭环，包括： 1）主导模型运行数据的采集、分析、问题定位; 2）设计数据回流与样本筛选策略(错误样本、长尾场景、低置信度样本); 3）协同数据团队完成数据清洗、标注和质检，支持模型持续训练与优化。 3.多语言与本地化AI模型运营 1）针对多语言、多口音、多文化场景，制定模型运营与评测方案; 2）识别不同语言/国家的典型问题(如口音、语速、语义歧义); 3）与语言专家、本地团队合作，提升模型在海外市场的可用性和稳定性。 4.灰度发布与版本管理 1）参与模型版本的灰度发布、AB测试、效果对比与回滚策略; 2）评估模型版本升级对用户体验和业务指标的影响; 3）降低模型迭代带来的业务风险。 5.跨团队协作与方法论沉淀 作为算法团队x数据团队x产品团队的关键连接人，将业务问题转化为可执行的模型优化与数据需求;沉淀模型运营方法论、SOP和评估规范。