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": "【快Star】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",
"work_mode": "未披露",AI生成
"job_category": "J1006"AI生成
},
"company": {
"company_name": "快手科技",
"company_industry": "内容社区 / 直播 / 电商 / 人工智能",
"company_size": "10000人以上",
"company_website": "kuaishou.com",
"company_description": "快手是内容社区与技术平台公司，业务覆盖短视频、直播、电商、本地生活与 AI 应用。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": "",
"degree": "在读研究生（硕士/博士）",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "【快Star】广告算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1006\n工作地点：北京\n发布时间：2026-05-24\n\n岗位职责\n方向一：RTB 投放优化\n1、参与实时竞价（RTB）链路中的核心算法研究与工程优化，覆盖点击率预估（CTR）、转化率预估（CVR）等关键模型的迭代；\n2、研究面向增长目标的智能调价策略，探索基于强化学习、约束优化等方法的出价模型，提升 ROI 与用户增长效率；\n3、深入 Uplift 建模方向，研究因果推断与增量效果估计方法（如 Meta-Learner、DR-Learner 等），区分广告真实增量人群，优化增长投放效率；\n4、结合大规模稀疏特征、序列行为建模、跨域迁移等技术，持续提升增长场景下精排模型的准确性与泛化能力。\n方向二：增长投放 Agent 智能体系统\n1、参与增长投放 Agent 系统的研发，涵盖工具调用（Tool Use）、记忆机制（Memory）与多步规划（Planning）能力，实现广告投放策略的自动化分析与决策；\n2、将大模型与投放数据查询、人群定向、预算分配、素材优选等业务工具打通，构建从洞察到执行的 AI 决策闭环；\n3、参与 AIGC 驱动的广告素材智能生产系统研发，探索基于多模态大模型（文生图、文生视频、图文混排等）的素材自动化生成能力，降低人工创作成本；\n4、研究素材质量评估与效果预测方法，构建素材生产—投放—反馈的闭环优化机制，利用投放数据驱动素材迭代与个性化定向生产；\n5、研究 Agent 在复杂增长任务中的可靠性与泛化能力，探索 long-horizon 多步规划在真实投放场景中的落地路径；\n6、与产品、工程、运营团队紧密协作，将 Agent 能力从实验原型推进至规模化业务部署。\n\n任职要求\n1、在读研究生（硕士/博士），计算机、人工智能、统计学、电子信息等相关专业，数学与编程基础扎实；\n2、熟悉机器学习基础理论，掌握 Transformer 架构及主流深度学习框架（PyTorch 等），能独立完成模型训练与调试；\n3、熟悉大模型基本原理与训练流程（预训练 / 微调 / 对齐），有实际动手经验者优先；\n4、具备良好的数据处理与工程能力，能独立承担从数据构建、模型训练到迭代上线的完整流程；\n5、学习能力强，对技术问题具备深入探究的热情，沟通协作能力良好。\n加分项：\n1、有强化学习（RL）背景，熟悉 PPO、GRPO 或相关策略优化方法，理解 reward 设计与训练稳定性；\n2、有因果推断或 Uplift 建模经验，熟悉 Meta-Learner、DR-Learner 或相关估计方法；\n3、有 LLM 相关顶会论文发表经历（NeurIPS、ICML、ICLR、ACL、EMNLP、KDD 等）；\n4、有 Agent、RAG、Tool-Augmented LLM 相关项目或研究经验；\n5、有多模态生成（文生图/文生视频）或 AIGC 内容生产相关研究或项目经验；\n6、有推荐系统、计算广告或用户增长方向的相关背景或实习经历；\n7、参与过开源 LLM 项目（如 LLaMA、Qwen、DeepSeek、FLUX、CogVideo 等）的复现或二次开发。",
"requirements_text": "【快Star】广告算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1006\n工作地点：北京\n发布时间：2026-05-24\n\n岗位职责\n方向一：RTB 投放优化\n1、参与实时竞价（RTB）链路中的核心算法研究与工程优化，覆盖点击率预估（CTR）、转化率预估（CVR）等关键模型的迭代；\n2、研究面向增长目标的智能调价策略，探索基于强化学习、约束优化等方法的出价模型，提升 ROI 与用户增长效率；\n3、深入 Uplift 建模方向，研究因果推断与增量效果估计方法（如 Meta-Learner、DR-Learner 等），区分广告真实增量人群，优化增长投放效率；\n4、结合大规模稀疏特征、序列行为建模、跨域迁移等技术，持续提升增长场景下精排模型的准确性与泛化能力。\n方向二：增长投放 Agent 智能体系统\n1、参与增长投放 Agent 系统的研发，涵盖工具调用（Tool Use）、记忆机制（Memory）与多步规划（Planning）能力，实现广告投放策略的自动化分析与决策；\n2、将大模型与投放数据查询、人群定向、预算分配、素材优选等业务工具打通，构建从洞察到执行的 AI 决策闭环；\n3、参与 AIGC 驱动的广告素材智能生产系统研发，探索基于多模态大模型（文生图、文生视频、图文混排等）的素材自动化生成能力，降低人工创作成本；\n4、研究素材质量评估与效果预测方法，构建素材生产—投放—反馈的闭环优化机制，利用投放数据驱动素材迭代与个性化定向生产；\n5、研究 Agent 在复杂增长任务中的可靠性与泛化能力，探索 long-horizon 多步规划在真实投放场景中的落地路径；\n6、与产品、工程、运营团队紧密协作，将 Agent 能力从实验原型推进至规模化业务部署。\n\n任职要求\n1、在读研究生（硕士/博士），计算机、人工智能、统计学、电子信息等相关专业，数学与编程基础扎实；\n2、熟悉机器学习基础理论，掌握 Transformer 架构及主流深度学习框架（PyTorch 等），能独立完成模型训练与调试；\n3、熟悉大模型基本原理与训练流程（预训练 / 微调 / 对齐），有实际动手经验者优先；\n4、具备良好的数据处理与工程能力，能独立承担从数据构建、模型训练到迭代上线的完整流程；\n5、学习能力强，对技术问题具备深入探究的热情，沟通协作能力良好。\n加分项：\n1、有强化学习（RL）背景，熟悉 PPO、GRPO 或相关策略优化方法，理解 reward 设计与训练稳定性；\n2、有因果推断或 Uplift 建模经验，熟悉 Meta-Learner、DR-Learner 或相关估计方法；\n3、有 LLM 相关顶会论文发表经历（NeurIPS、ICML、ICLR、ACL、EMNLP、KDD 等）；\n4、有 Agent、RAG、Tool-Augmented LLM 相关项目或研究经验；\n5、有多模态生成（文生图/文生视频）或 AIGC 内容生产相关研究或项目经验；\n6、有推荐系统、计算广告或用户增长方向的相关背景或实习经历；\n7、参与过开源 LLM 项目（如 LLaMA、Qwen、DeepSeek、FLUX、CogVideo 等）的复现或二次开发。",
"skills": [AI生成
"PyTorch",
"机器学习",
"深度学习",
"强化学习",
"模型训练",
"可靠性",
"学习能力",
"广告投放",
"建模",
"招聘",
"大语言模型",
"检索增强生成",
"智能体开发"
],
"preferred_qualifications": "3、熟悉大模型基本原理与训练流程（预训练 / 微调 / 对齐），有实际动手经验者优先；加分项：",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12710?recruitSubProjectCodes="
}
]
},
"posting": {
"posting_id": "12710",
"post_date": "2026-05-24",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://campus.kuaishou.cn/recruit/campus/e/#/campus/job-info/12710?recruitSubProjectCodes="
},
"fulltext": "【快Star】广告算法工程师\n【快Star】广告算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1006\n工作地点：北京\n发布时间：2026-05-24\n\n岗位职责\n方向一：RTB 投放优化\n1、参与实时竞价（RTB）链路中的核心算法研究与工程优化，覆盖点击率预估（CTR）、转化率预估（CVR）等关键模型的迭代；\n2、研究面向增长目标的智能调价策略，探索基于强化学习、约束优化等方法的出价模型，提升 ROI 与用户增长效率；\n3、深入 Uplift 建模方向，研究因果推断与增量效果估计方法（如 Meta-Learner、DR-Learner 等），区分广告真实增量人群，优化增长投放效率；\n4、结合大规模稀疏特征、序列行为建模、跨域迁移等技术，持续提升增长场景下精排模型的准确性与泛化能力。\n方向二：增长投放 Agent 智能体系统\n1、参与增长投放 Agent 系统的研发，涵盖工具调用（Tool Use）、记忆机制（Memory）与多步规划（Planning）能力，实现广告投放策略的自动化分析与决策；\n2、将大模型与投放数据查询、人群定向、预算分配、素材优选等业务工具打通，构建从洞察到执行的 AI 决策闭环；\n3、参与 AIGC 驱动的广告素材智能生产系统研发，探索基于多模态大模型（文生图、文生视频、图文混排等）的素材自动化生成能力，降低人工创作成本；\n4、研究素材质量评估与效果预测方法，构建素材生产—投放—反馈的闭环优化机制，利用投放数据驱动素材迭代与个性化定向生产；\n5、研究 Agent 在复杂增长任务中的可靠性与泛化能力，探索 long-horizon 多步规划在真实投放场景中的落地路径；\n6、与产品、工程、运营团队紧密协作，将 Agent 能力从实验原型推进至规模化业务部署。\n\n任职要求\n1、在读研究生（硕士/博士），计算机、人工智能、统计学、电子信息等相关专业，数学与编程基础扎实；\n2、熟悉机器学习基础理论，掌握 Transformer 架构及主流深度学习框架（PyTorch 等），能独立完成模型训练与调试；\n3、熟悉大模型基本原理与训练流程（预训练 / 微调 / 对齐），有实际动手经验者优先；\n4、具备良好的数据处理与工程能力，能独立承担从数据构建、模型训练到迭代上线的完整流程；\n5、学习能力强，对技术问题具备深入探究的热情，沟通协作能力良好。\n加分项：\n1、有强化学习（RL）背景，熟悉 PPO、GRPO 或相关策略优化方法，理解 reward 设计与训练稳定性；\n2、有因果推断或 Uplift 建模经验，熟悉 Meta-Learner、DR-Learner 或相关估计方法；\n3、有 LLM 相关顶会论文发表经历（NeurIPS、ICML、ICLR、ACL、EMNLP、KDD 等）；\n4、有 Agent、RAG、Tool-Augmented LLM 相关项目或研究经验；\n5、有多模态生成（文生图/文生视频）或 AIGC 内容生产相关研究或项目经验；\n6、有推荐系统、计算广告或用户增长方向的相关背景或实习经历；\n7、参与过开源 LLM 项目（如 LLaMA、Qwen、DeepSeek、FLUX、CogVideo 等）的复现或二次开发。\n【快Star】广告算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1006\n工作地点：北京\n发布时间：2026-05-24\n\n岗位职责\n方向一：RTB 投放优化\n1、参与实时竞价（RTB）链路中的核心算法研究与工程优化，覆盖点击率预估（CTR）、转化率预估（CVR）等关键模型的迭代；\n2、研究面向增长目标的智能调价策略，探索基于强化学习、约束优化等方法的出价模型，提升 ROI 与用户增长效率；\n3、深入 Uplift 建模方向，研究因果推断与增量效果估计方法（如 Meta-Learner、DR-Learner 等），区分广告真实增量人群，优化增长投放效率；\n4、结合大规模稀疏特征、序列行为建模、跨域迁移等技术，持续提升增长场景下精排模型的准确性与泛化能力。\n方向二：增长投放 Agent 智能体系统\n1、参与增长投放 Agent 系统的研发，涵盖工具调用（Tool Use）、记忆机制（Memory）与多步规划（Planning）能力，实现广告投放策略的自动化分析与决策；\n2、将大模型与投放数据查询、人群定向、预算分配、素材优选等业务工具打通，构建从洞察到执行的 AI 决策闭环；\n3、参与 AIGC 驱动的广告素材智能生产系统研发，探索基于多模态大模型（文生图、文生视频、图文混排等）的素材自动化生成能力，降低人工创作成本；\n4、研究素材质量评估与效果预测方法，构建素材生产—投放—反馈的闭环优化机制，利用投放数据驱动素材迭代与个性化定向生产；\n5、研究 Agent 在复杂增长任务中的可靠性与泛化能力，探索 long-horizon 多步规划在真实投放场景中的落地路径；\n6、与产品、工程、运营团队紧密协作，将 Agent 能力从实验原型推进至规模化业务部署。\n\n任职要求\n1、在读研究生（硕士/博士），计算机、人工智能、统计学、电子信息等相关专业，数学与编程基础扎实；\n2、熟悉机器学习基础理论，掌握 Transformer 架构及主流深度学习框架（PyTorch 等），能独立完成模型训练与调试；\n3、熟悉大模型基本原理与训练流程（预训练 / 微调 / 对齐），有实际动手经验者优先；\n4、具备良好的数据处理与工程能力，能独立承担从数据构建、模型训练到迭代上线的完整流程；\n5、学习能力强，对技术问题具备深入探究的热情，沟通协作能力良好。\n加分项：\n1、有强化学习（RL）背景，熟悉 PPO、GRPO 或相关策略优化方法，理解 reward 设计与训练稳定性；\n2、有因果推断或 Uplift 建模经验，熟悉 Meta-Learner、DR-Learner 或相关估计方法；\n3、有 LLM 相关顶会论文发表经历（NeurIPS、ICML、ICLR、ACL、EMNLP、KDD 等）；\n4、有 Agent、RAG、Tool-Augmented LLM 相关项目或研究经验；\n5、有多模态生成（文生图/文生视频）或 AIGC 内容生产相关研究或项目经验；\n6、有推荐系统、计算广告或用户增长方向的相关背景或实习经历；\n7、参与过开源 LLM 项目（如 LLaMA、Qwen、DeepSeek、FLUX、CogVideo 等）的复现或二次开发。\n【快Star】广告算法工程师\n\n基础信息\n招聘项目：全部校招\n招聘类型：校招\n职位类别：J1006\n工作地点：北京\n发布时间：2026-05-24\n\n岗位职责\n方向一：RTB 投放优化\n1、参与实时竞价（RTB）链路中的核心算法研究与工程优化，覆盖点击率预估（CTR）、转化率预估（CVR）等关键模型的迭代；\n2、研究面向增长目标的智能调价策略，探索基于强化学习、约束优化等方法的出价模型，提升 ROI 与用户增长效率；\n3、深入 Uplift 建模方向，研究因果推断与增量效果估计方法（如 Meta-Learner、DR-Learner 等），区分广告真实增量人群，优化增长投放效率；\n4、结合大规模稀疏特征、序列行为建模、跨域迁移等技术，持续提升增长场景下精排模型的准确性与泛化能力。\n方向二：增长投放 Agent 智能体系统\n1、参与增长投放 Agent 系统的研发，涵盖工具调用（Tool Use）、记忆机制（Memory）与多步规划（Planning）能力，实现广告投放策略的自动化分析与决策；\n2、将大模型与投放数据查询、人群定向、预算分配、素材优选等业务工具打通，构建从洞察到执行的 AI 决策闭环；\n3、参与 AIGC 驱动的广告素材智能生产系统研发，探索基于多模态大模型（文生图、文生视频、图文混排等）的素材自动化生成能力，降低人工创作成本；\n4、研究素材质量评估与效果预测方法，构建素材生产—投放—反馈的闭环优化机制，利用投放数据驱动素材迭代与个性化定向生产；\n5、研究 Agent 在复杂增长任务中的可靠性与泛化能力，探索 long-horizon 多步规划在真实投放场景中的落地路径；\n6、与产品、工程、运营团队紧密协作，将 Agent 能力从实验原型推进至规模化业务部署。\n\n任职要求\n1、在读研究生（硕士/博士），计算机、人工智能、统计学、电子信息等相关专业，数学与编程基础扎实；\n2、熟悉机器学习基础理论，掌握 Transformer 架构及主流深度学习框架（PyTorch 等），能独立完成模型训练与调试；\n3、熟悉大模型基本原理与训练流程（预训练 / 微调 / 对齐），有实际动手经验者优先；\n4、具备良好的数据处理与工程能力，能独立承担从数据构建、模型训练到迭代上线的完整流程；\n5、学习能力强，对技术问题具备深入探究的热情，沟通协作能力良好。\n加分项：\n1、有强化学习（RL）背景，熟悉 PPO、GRPO 或相关策略优化方法，理解 reward 设计与训练稳定性；\n2、有因果推断或 Uplift 建模经验，熟悉 Meta-Learner、DR-Learner 或相关估计方法；\n3、有 LLM 相关顶会论文发表经历（NeurIPS、ICML、ICLR、ACL、EMNLP、KDD 等）；\n4、有 Agent、RAG、Tool-Augmented LLM 相关项目或研究经验；\n5、有多模态生成（文生图/文生视频）或 AIGC 内容生产相关研究或项目经验；\n6、有推荐系统、计算广告或用户增长方向的相关背景或实习经历；\n7、参与过开源 LLM 项目（如 LLaMA、Qwen、DeepSeek、FLUX、CogVideo 等）的复现或二次开发。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [
"T009"
],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}