主分类：搜索推荐与业务决策算法研发
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": "AI Native搜推算法工程师-π天才计划",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "高德地图",
"location": "北京",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "高德",
"company_industry": "数字地图 / 导航服务",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "高德提供电子地图和导航服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "硕士及以上学历",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "本岗位承接集团 AI 人才战略，依托高德地图亿级用户场景，致力于重构下一代 LBS 搜索推荐架构。你将作为核心骨干，参与\"AI Native 生成式搜推架构与空间复杂排序决策”前沿课题，探索大模型在地理位置服务（LBS）领域的深度应用。\n1.架构创新：负责基于大语言模型（LLM）的生成式召回（Generative Retrieval）系统研发，突破传统倒排索引限制，实现从“语义理解”到\"POI 生成”的范式升级；\n2.模型攻坚：主导融合地理空间知识的 LLM 微调与推理技术研究，解决大模型在 LBS 场景下的空间幻觉与位置感知难题；\n3.排序决策：构建多目标博弈下的复杂排序模型，利用强化学习与大模型推理能力，平衡导航耗时、服务质量、商业价值与用户满意度；\n4.工程落地：负责高并发场景下的端云协同推理加速，通过模型蒸馏、量化等技术，确保生成式算法在毫秒级延迟要求下的稳定落地；\n5.技术引领：跟踪全球 AI 前沿技术，在顶级会议发表成果，沉淀方法论，并参与团队内部技术建设与人才培养。",
"requirements_text": "基本要求：\n1.学历背景：计算机、人工智能、数学等相关专业，硕士及以上学历，博士优先；\n2.专业基础：具备扎实的深度学习理论基础，熟练掌握 PyTorch/TensorFlow 等主流框架，对 Transformer、LLM 架构有深刻理解；\n3.项目经验：在搜索、推荐、广告或 NLP 领域有实际项目经验，熟悉召回、排序、重排全链路算法者优先；\n4.大模型能力：有 LLM 预训练、SFT、RLHF 或 RAG 相关实战经验，熟悉 Prompt Engineering 及大模型优化技术；\n5.编程能力：具备优秀的代码实现能力（Python/C++），熟悉 Linux 开发环境，有良好的工程规范；\n6.综合素质：对技术充满热情，具备极强的问题解决能力、逻辑思维能力及沟通协作能力，勇于挑战前沿难题。\n【加分项】\n1.学术成果：在 KDD、SIGIR、WWW、NeurIPS、ICML 等顶级国际会议发表过高质量论文者；\n2.开源贡献：在 GitHub 上有高星开源项目贡献，或在大模型社区有显著影响力者；\n3.LBS 经验：熟悉地理空间数据（GeoHash、路网、POI 关系），有地图、导航、本地生活服务相关算法经验者优先；\n4.竞赛获奖：在 ACM、Kaggle 或行业权威算法竞赛中获得 Top 名次者。",
"skills": [AI生成
"Python",
"C++",
"Linux",
"PyTorch",
"TensorFlow",
"深度学习",
"自然语言处理",
"逻辑思维",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "1.学历背景：计算机、人工智能、数学等相关专业，硕士及以上学历，博士优先；3.项目经验：在搜索、推荐、广告或 NLP 领域有实际项目经验，熟悉召回、排序、重排全链路算法者优先；【加分项】；3.LBS 经验：熟悉地理空间数据（GeoHash、路网、POI 关系），有地图、导航、本地生活服务相关算法经验者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus-talent.alibaba.com/campus/position/199907720056?deptCodes="
}
]
},
"posting": {
"posting_id": "199907720056",
"post_date": "2026-08-06",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus-talent.alibaba.com/campus/position/199907720056?deptCodes="
},
"fulltext": "AI Native搜推算法工程师-π天才计划\nAI Native搜推算法工程师-π天才计划\n\n基础信息\n毕业起止时间要求：2026-11-01 - 2027-10-31\n职位类别：技术类\n招聘项目：阿里巴巴2027届应届生\n工作地点：北京\n\n职位描述\n本岗位承接集团 AI 人才战略，依托高德地图亿级用户场景，致力于重构下一代 LBS 搜索推荐架构。你将作为核心骨干，参与\"AI Native 生成式搜推架构与空间复杂排序决策”前沿课题，探索大模型在地理位置服务（LBS）领域的深度应用。\n1.架构创新：负责基于大语言模型（LLM）的生成式召回（Generative Retrieval）系统研发，突破传统倒排索引限制，实现从“语义理解”到\"POI 生成”的范式升级；\n2.模型攻坚：主导融合地理空间知识的 LLM 微调与推理技术研究，解决大模型在 LBS 场景下的空间幻觉与位置感知难题；\n3.排序决策：构建多目标博弈下的复杂排序模型，利用强化学习与大模型推理能力，平衡导航耗时、服务质量、商业价值与用户满意度；\n4.工程落地：负责高并发场景下的端云协同推理加速，通过模型蒸馏、量化等技术，确保生成式算法在毫秒级延迟要求下的稳定落地；\n5.技术引领：跟踪全球 AI 前沿技术，在顶级会议发表成果，沉淀方法论，并参与团队内部技术建设与人才培养。\n\n职位要求\n基本要求：\n1.学历背景：计算机、人工智能、数学等相关专业，硕士及以上学历，博士优先；\n2.专业基础：具备扎实的深度学习理论基础，熟练掌握 PyTorch/TensorFlow 等主流框架，对 Transformer、LLM 架构有深刻理解；\n3.项目经验：在搜索、推荐、广告或 NLP 领域有实际项目经验，熟悉召回、排序、重排全链路算法者优先；\n4.大模型能力：有 LLM 预训练、SFT、RLHF 或 RAG 相关实战经验，熟悉 Prompt Engineering 及大模型优化技术；\n5.编程能力：具备优秀的代码实现能力（Python/C++），熟悉 Linux 开发环境，有良好的工程规范；\n6.综合素质：对技术充满热情，具备极强的问题解决能力、逻辑思维能力及沟通协作能力，勇于挑战前沿难题。\n【加分项】\n1.学术成果：在 KDD、SIGIR、WWW、NeurIPS、ICML 等顶级国际会议发表过高质量论文者；\n2.开源贡献：在 GitHub 上有高星开源项目贡献，或在大模型社区有显著影响力者；\n3.LBS 经验：熟悉地理空间数据（GeoHash、路网、POI 关系），有地图、导航、本地生活服务相关算法经验者优先；\n4.竞赛获奖：在 ACM、Kaggle 或行业权威算法竞赛中获得 Top 名次者。\n\n在招业务\n高德地图\n本岗位承接集团 AI 人才战略，依托高德地图亿级用户场景，致力于重构下一代 LBS 搜索推荐架构。你将作为核心骨干，参与\"AI Native 生成式搜推架构与空间复杂排序决策”前沿课题，探索大模型在地理位置服务（LBS）领域的深度应用。\n1.架构创新：负责基于大语言模型（LLM）的生成式召回（Generative Retrieval）系统研发，突破传统倒排索引限制，实现从“语义理解”到\"POI 生成”的范式升级；\n2.模型攻坚：主导融合地理空间知识的 LLM 微调与推理技术研究，解决大模型在 LBS 场景下的空间幻觉与位置感知难题；\n3.排序决策：构建多目标博弈下的复杂排序模型，利用强化学习与大模型推理能力，平衡导航耗时、服务质量、商业价值与用户满意度；\n4.工程落地：负责高并发场景下的端云协同推理加速，通过模型蒸馏、量化等技术，确保生成式算法在毫秒级延迟要求下的稳定落地；\n5.技术引领：跟踪全球 AI 前沿技术，在顶级会议发表成果，沉淀方法论，并参与团队内部技术建设与人才培养。\n基本要求：\n1.学历背景：计算机、人工智能、数学等相关专业，硕士及以上学历，博士优先；\n2.专业基础：具备扎实的深度学习理论基础，熟练掌握 PyTorch/TensorFlow 等主流框架，对 Transformer、LLM 架构有深刻理解；\n3.项目经验：在搜索、推荐、广告或 NLP 领域有实际项目经验，熟悉召回、排序、重排全链路算法者优先；\n4.大模型能力：有 LLM 预训练、SFT、RLHF 或 RAG 相关实战经验，熟悉 Prompt Engineering 及大模型优化技术；\n5.编程能力：具备优秀的代码实现能力（Python/C++），熟悉 Linux 开发环境，有良好的工程规范；\n6.综合素质：对技术充满热情，具备极强的问题解决能力、逻辑思维能力及沟通协作能力，勇于挑战前沿难题。\n【加分项】\n1.学术成果：在 KDD、SIGIR、WWW、NeurIPS、ICML 等顶级国际会议发表过高质量论文者；\n2.开源贡献：在 GitHub 上有高星开源项目贡献，或在大模型社区有显著影响力者；\n3.LBS 经验：熟悉地理空间数据（GeoHash、路网、POI 关系），有地图、导航、本地生活服务相关算法经验者优先；\n4.竞赛获奖：在 ACM、Kaggle 或行业权威算法竞赛中获得 Top 名次者。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}