京东AI搜索算法工程师
任职要求
1. 计算机、人工智能等相关专业； 2. 具有大模型算法研发经验（预训练，SFT，强化等对后训练），具有搜推算法背景更优； 3. 在问答/对话系统/AI助手、RAG/Agent、知识图谱、信息检索的一个或者多个方面有研发经验，同时拥有大模型预训练和后训练对齐背景更优； 4. 深刻理解语言模型，深度学习等算法原理，需具备很强的算法开发以及编程落地执行能力，并具备较强的业务敏感度，能将需求和技术有效结合并落地。 符合京东价值观：客户为先、创新、拼搏、担当、感恩、诚信。
工作职责
1.负责LLM在搜推创新AIGC应用中算法研发和应用落地； 2.设计创新AIGC应用中整个链路所涉及的LLM等AI相关算法，确保算法有效性和扩展性，能有效解决复杂业务场景下的用户体验问题； 3.关注并探索LLM相关前沿技术，包括预训练、后训练、RAG、Agent等，能判断技术实际价值，并高效落地应用； 4.理解并洞察用户需求，通过持续的技术产品创新和迭代，驱动用户体验提升以及京东UCVR, GMV平台收益不断增长。
1. 负责Agentic Search（搜索智能体）技术探索和架构研发，支持深度搜索、多模态（文本、图像、视频）检索等应用创新； 2. 设计并实现AI搜索的落地应用，包括利用大模型进行Query理解、任务分解、环境感知、语义检索、校验反思、总结归纳等模块的模型算法优化； 3. 构建和维护面向AI搜索的高质量的检索库，制定完善的数据清洗、标注和预处理规范流程，完成亿级规模检索库的索引与优化，利用AI技术扩充和丰富检索数据，提升检索系统的泛化能力和鲁棒性； 4. 与业务部门（如产品、运营团队）协作，将AI搜索能力嵌入现有工作流（如搜索引擎、智能问答、个性化推荐等），支撑美团场景落地应用。
1、负责搜索生成式问答相关技术研发，包括但不限于Query理解，召回，抽取，多模态内容理解，RAG，Agent等方向，探索LLM，除索LLM，Agent等大模型技术与搜索业务的结合； 2、参与小红书生成式搜索相关算法和系统研发，通过最新的生成式AI等技术，打造新一代智能化搜索引；
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。