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": "广告算法工程师",
"job_level": "校招",AI生成
"work_category": "全职",AI生成
"department": "未披露",
"location": "北京市 / 上海市",
"work_mode": "未披露",AI生成
"job_category": "技术类"AI生成
},
"company": {
"company_name": "美团",
"company_industry": "科技零售 / 生活服务",
"company_size": "10000人以上",
"company_website": "meituan.com",
"company_description": "美团通过科技推动服务零售和商品零售的数字化，连接消费者与商户。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "未披露",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 负责美团核心本地商业下全流量场景的广告算法策略研究，利用 LLM与RLHF 优化智能出价策略，将传统人工规则迁移为模型自动决策；\n2. 参与海量数据下的广告召回技术研发，探索基于RAG的大模型辅助召回策略，提升长尾广告与泛化搜索的召回效率；\n3. 参与大规模CTR/CVR预估模型研发，结合大模型特征提取与多模态理解，构建更精准的用户意图与广告匹配能力；\n4. 探索 O2O广告模式与机制策略，利用AI Agent框架实现广告自动化策略生成与效果归因分析；\n5. 基于强化学习和自动控制算法进行智能出价研究，利用AI自动诊断与优化出价决策链路，持续迭代广告ROI；\n6. 研究广告程序化创意，利用AIGC（多模态大模型）生成广告图文/视频创意，并基于反馈数据进行闭环优化。",
"requirements_text": "1. 熟练掌握Linux下面向对象编程（熟悉Java更佳），能运用 AI辅助编码工具（如GitHub Copilot/Cursor） 提升开发效率；\n2. 熟悉NLP、图嵌入、模型预估等深度学习算法，精通至少一种大模型训练框架（如HuggingFace、PyTorch/TensorFlow），具备大模型微调（LoRA/RLHF）或Prompt Engineering经验；\n3. 具备 AI应用构建能力（如LangChain/LlamaIndex/RAG），能将大模型能力落地到广告核心业务场景；\n4. 对数据敏感，有较强数据分析与解决问题能力，能利用AI工具（如自然语言问数、智能归因）快速洞察业务数据；\n5. 自驱主动，沟通良好，有团队协作精神；\n6. 工作有热情，追求卓越。\n\n具备以下条件优先：\n1. 具有广告算法实战经验，有LLM/AIGC在广告场景落地经验者优先；\n2. 在国际一流会议或期刊发表过学术论文，有AI相关顶会（如NeurIPS/ICML/ACL等）论文者优先；\n3. 在Kaggle等平台取得机器学习/深度学习竞赛靠前名次。",
"skills": [AI生成
"Java",
"Linux",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"数据分析",
"模型训练",
"模型微调",
"团队协作",
"解决问题",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "具备以下条件优先：；1. 具有广告算法实战经验，有LLM/AIGC在广告场景落地经验者优先；2. 在国际一流会议或期刊发表过学术论文，有AI相关顶会（如NeurIPS/ICML/ACL等）论文者优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4697268474&jobShareType=1"
}
]
},
"posting": {
"posting_id": "4697268474",
"post_date": "",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://zhaopin.meituan.com/web/position/detail?jobUnionId=4697268474&jobShareType=1"
},
"fulltext": "广告算法工程师\n广告算法工程师\n\n基础信息\n工作地点：北京市 / 上海市\n职位类别：技术类\n职位族群：算法\n更新时间：2026-08-17\n\n岗位职责\n1. 负责美团核心本地商业下全流量场景的广告算法策略研究，利用 LLM与RLHF 优化智能出价策略，将传统人工规则迁移为模型自动决策；\n2. 参与海量数据下的广告召回技术研发，探索基于RAG的大模型辅助召回策略，提升长尾广告与泛化搜索的召回效率；\n3. 参与大规模CTR/CVR预估模型研发，结合大模型特征提取与多模态理解，构建更精准的用户意图与广告匹配能力；\n4. 探索 O2O广告模式与机制策略，利用AI Agent框架实现广告自动化策略生成与效果归因分析；\n5. 基于强化学习和自动控制算法进行智能出价研究，利用AI自动诊断与优化出价决策链路，持续迭代广告ROI；\n6. 研究广告程序化创意，利用AIGC（多模态大模型）生成广告图文/视频创意，并基于反馈数据进行闭环优化。\n\n岗位基本要求\n1. 熟练掌握Linux下面向对象编程（熟悉Java更佳），能运用 AI辅助编码工具（如GitHub Copilot/Cursor） 提升开发效率；\n2. 熟悉NLP、图嵌入、模型预估等深度学习算法，精通至少一种大模型训练框架（如HuggingFace、PyTorch/TensorFlow），具备大模型微调（LoRA/RLHF）或Prompt Engineering经验；\n3. 具备 AI应用构建能力（如LangChain/LlamaIndex/RAG），能将大模型能力落地到广告核心业务场景；\n4. 对数据敏感，有较强数据分析与解决问题能力，能利用AI工具（如自然语言问数、智能归因）快速洞察业务数据；\n5. 自驱主动，沟通良好，有团队协作精神；\n6. 工作有热情，追求卓越。\n\n具备以下条件优先：\n1. 具有广告算法实战经验，有LLM/AIGC在广告场景落地经验者优先；\n2. 在国际一流会议或期刊发表过学术论文，有AI相关顶会（如NeurIPS/ICML/ACL等）论文者优先；\n3. 在Kaggle等平台取得机器学习/深度学习竞赛靠前名次。\n1. 负责美团核心本地商业下全流量场景的广告算法策略研究，利用 LLM与RLHF 优化智能出价策略，将传统人工规则迁移为模型自动决策；\n2. 参与海量数据下的广告召回技术研发，探索基于RAG的大模型辅助召回策略，提升长尾广告与泛化搜索的召回效率；\n3. 参与大规模CTR/CVR预估模型研发，结合大模型特征提取与多模态理解，构建更精准的用户意图与广告匹配能力；\n4. 探索 O2O广告模式与机制策略，利用AI Agent框架实现广告自动化策略生成与效果归因分析；\n5. 基于强化学习和自动控制算法进行智能出价研究，利用AI自动诊断与优化出价决策链路，持续迭代广告ROI；\n6. 研究广告程序化创意，利用AIGC（多模态大模型）生成广告图文/视频创意，并基于反馈数据进行闭环优化。\n1. 熟练掌握Linux下面向对象编程（熟悉Java更佳），能运用 AI辅助编码工具（如GitHub Copilot/Cursor） 提升开发效率；\n2. 熟悉NLP、图嵌入、模型预估等深度学习算法，精通至少一种大模型训练框架（如HuggingFace、PyTorch/TensorFlow），具备大模型微调（LoRA/RLHF）或Prompt Engineering经验；\n3. 具备 AI应用构建能力（如LangChain/LlamaIndex/RAG），能将大模型能力落地到广告核心业务场景；\n4. 对数据敏感，有较强数据分析与解决问题能力，能利用AI工具（如自然语言问数、智能归因）快速洞察业务数据；\n5. 自驱主动，沟通良好，有团队协作精神；\n6. 工作有热情，追求卓越。\n\n具备以下条件优先：\n1. 具有广告算法实战经验，有LLM/AIGC在广告场景落地经验者优先；\n2. 在国际一流会议或期刊发表过学术论文，有AI相关顶会（如NeurIPS/ICML/ACL等）论文者优先；\n3. 在Kaggle等平台取得机器学习/深度学习竞赛靠前名次。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}