主分类：搜索推荐与业务决策算法研发
辅助：Agent系统开发（仅展示）
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "飞猪-大模型搜推算法工程师/专家-AI Agent方向",
"job_level": "专家",AI生成
"work_category": "全职",AI生成
"department": "飞猪",
"location": "杭州",
"work_mode": "未披露",AI生成
"job_category": "算法研发"AI生成
},
"company": {
"company_name": "飞猪",
"company_industry": "在线旅游",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "飞猪提供目的地、酒店、景点及旅游服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士学位及以上",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1、AI摘要Agent研发:\n- 设计并实现基于LLM的搜索摘要Agent,提升对搜索结果与旅行内容的理解、推理与结构化总结能力。\n- 探索 LLM Reasoning 技术(思维链、多步推理),优化复杂查询的 Deep Research 模式,实现长文本理解与跨内容/跨商品的信息融合。\n- 构建端到端系统,涵盖意图理解、知识与商品检索、结果生成与偏好对齐,持续提升用户体验。\n2、AI搜推链路升级:\n探索搜索/推荐引擎与大模型、机器学习、强化学习等前沿技术的结合,推动AI搜推链路重构与系统优化,结合内容与时空热点属性,构建场景化的导购引导。\n3、模型优化及应用:\n- 通过指令微调(SFT)、偏好对齐(RLHF/DPO)等技术优化模型在搜推场景的适应性。\n- 探索多模态信息(文本、图像、视频、结构化数据)融合的搜索与生成技术。\n- 参与统一搜推大模型建设;",
"requirements_text": "1、硕士学位及以上,计算机科学、人工智能、自然语言处理等相关领域。\n2、精通 PyTorch/TensorFlow 等框架,具备大规模语言模型(如 GPT、Llama 等)训练与优化经验。\n3、熟悉检索增强生成(RAG)、Agent 架构、搜索算法(如倒排索引、语义检索)等技术,或熟悉 Prompt Engineering、微调对齐技术,对搜推场景的 Query 理解与结果生成有深入理解。\n加分项:\n1、在 ACL/EMNLP/NeurIPS 等会议发表 LLM 或搜索/推荐相关论文。\n2、有Agent与RAG落地经验：工具调用、Planning/多步推理、长上下文理解与跨文档融合、有开源项目(如 LangChain、AutoGPT)贡献、评测体系建设优先。\n3、熟悉多模态模型或强化学习(RL);有旅行、电商、本地生活等复杂意图场景经验者优先。",
"skills": [AI生成
"PyTorch",
"TensorFlow",
"强化学习",
"自然语言处理",
"搜索算法",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "加分项:；2、有Agent与RAG落地经验：工具调用、Planning/多步推理、长上下文理解与跨文档融合、有开源项目(如 LangChain、AutoGPT)贡献、评测体系建设优先；有旅行、电商、本地生活等复杂意图场景经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://career.fliggy.com/off-campus/position-detail?positionId=100023640002"
}
]
},
"posting": {
"posting_id": "100023640002",
"post_date": "2026-09-16",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://career.fliggy.com/off-campus/position-detail?positionId=100023640002"
},
"fulltext": "飞猪-大模型搜推算法工程师/专家-AI Agent方向\n飞猪-大模型搜推算法工程师/专家-AI Agent方向\n\n基础信息\n工作地点：杭州\n\n职位描述\n1、AI摘要Agent研发:\n- 设计并实现基于LLM的搜索摘要Agent,提升对搜索结果与旅行内容的理解、推理与结构化总结能力。\n- 探索 LLM Reasoning 技术(思维链、多步推理),优化复杂查询的 Deep Research 模式,实现长文本理解与跨内容/跨商品的信息融合。\n- 构建端到端系统,涵盖意图理解、知识与商品检索、结果生成与偏好对齐,持续提升用户体验。\n2、AI搜推链路升级:\n探索搜索/推荐引擎与大模型、机器学习、强化学习等前沿技术的结合,推动AI搜推链路重构与系统优化,结合内容与时空热点属性,构建场景化的导购引导。\n3、模型优化及应用:\n- 通过指令微调(SFT)、偏好对齐(RLHF/DPO)等技术优化模型在搜推场景的适应性。\n- 探索多模态信息(文本、图像、视频、结构化数据)融合的搜索与生成技术。\n- 参与统一搜推大模型建设;\n\n职位要求\n1、硕士学位及以上,计算机科学、人工智能、自然语言处理等相关领域。\n2、精通 PyTorch/TensorFlow 等框架,具备大规模语言模型(如 GPT、Llama 等)训练与优化经验。\n3、熟悉检索增强生成(RAG)、Agent 架构、搜索算法(如倒排索引、语义检索)等技术,或熟悉 Prompt Engineering、微调对齐技术,对搜推场景的 Query 理解与结果生成有深入理解。\n加分项:\n1、在 ACL/EMNLP/NeurIPS 等会议发表 LLM 或搜索/推荐相关论文。\n2、有Agent与RAG落地经验：工具调用、Planning/多步推理、长上下文理解与跨文档融合、有开源项目(如 LangChain、AutoGPT)贡献、评测体系建设优先。\n3、熟悉多模态模型或强化学习(RL);有旅行、电商、本地生活等复杂意图场景经验者优先。\n1、AI摘要Agent研发:\n- 设计并实现基于LLM的搜索摘要Agent,提升对搜索结果与旅行内容的理解、推理与结构化总结能力。\n- 探索 LLM Reasoning 技术(思维链、多步推理),优化复杂查询的 Deep Research 模式,实现长文本理解与跨内容/跨商品的信息融合。\n- 构建端到端系统,涵盖意图理解、知识与商品检索、结果生成与偏好对齐,持续提升用户体验。\n2、AI搜推链路升级:\n探索搜索/推荐引擎与大模型、机器学习、强化学习等前沿技术的结合,推动AI搜推链路重构与系统优化,结合内容与时空热点属性,构建场景化的导购引导。\n3、模型优化及应用:\n- 通过指令微调(SFT)、偏好对齐(RLHF/DPO)等技术优化模型在搜推场景的适应性。\n- 探索多模态信息(文本、图像、视频、结构化数据)融合的搜索与生成技术。\n- 参与统一搜推大模型建设;\n1、硕士学位及以上,计算机科学、人工智能、自然语言处理等相关领域。\n2、精通 PyTorch/TensorFlow 等框架,具备大规模语言模型(如 GPT、Llama 等)训练与优化经验。\n3、熟悉检索增强生成(RAG)、Agent 架构、搜索算法(如倒排索引、语义检索)等技术,或熟悉 Prompt Engineering、微调对齐技术,对搜推场景的 Query 理解与结果生成有深入理解。\n加分项:\n1、在 ACL/EMNLP/NeurIPS 等会议发表 LLM 或搜索/推荐相关论文。\n2、有Agent与RAG落地经验：工具调用、Planning/多步推理、长上下文理解与跨文档融合、有开源项目(如 LangChain、AutoGPT)贡献、评测体系建设优先。\n3、熟悉多模态模型或强化学习(RL);有旅行、电商、本地生活等复杂意图场景经验者优先。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}