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": "策略模型实习生",
"job_level": "实习",AI生成
"work_category": "实习",AI生成
"department": "D7375",
"location": "Beijing",
"work_mode": "未披露",AI生成
"job_category": "J0012"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": "在读本科 / 硕士",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "策略模型实习生\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing\n所属部门：D7375\n发布时间：2026-08-05\n\n岗位职责\n1、策略敏感人群挖掘：基于大规模用户行为数据，结合大模型 / 多模态的内容 × 人群画像挖掘，参与人群画像与敏感度建模（Uplift / 因果建模等），识别不同策略下的响应人群 / 响应内容；\n2、模型优化迭代：参与策略模型的特征工程、结构调优、超参寻优，并探索大模型 Embedding / 多模态特征在建模中的应用，提升模型精度与线上效果；\n3、大模型应用探索：参与大模型 / 多模态在策略场景的落地，如内容打标、Embedding 产出、表格大模型、智能分析 Agent 等前沿方向；\n4、数据挖掘与分析：从实验与大盘数据中挖掘规律，借助大模型辅助分析产出可解释、可落地的策略结论；\n5、AI 提效实践：运用 AI 辅助编码与数据分析，参与工具 / Skill 沉淀，提升研发效率。\n\n任职要求\n1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先；\n2、掌握数据挖掘与机器学习基础，熟悉常见模型（XGBoost/GBDT、深度学习等）原理与适用场景；\n3、熟练使用 Python 及主流框架（PyTorch/TensorFlow、sklearn 等），熟悉 SQL；\n4、对大模型（LLM / 多模态）应用有了解或实践，熟悉 Prompt 工程、RAG、Agent、微调等任一方向者优先；\n5、具备 AI 编程能力，能熟练使用 AI 辅助编码 / 分析工具提升效率；\n6、学习能力强、主动性高、对数据敏感，乐于在真实业务中动手验证。\n7、有大模型 / 因果推断 / Uplift 建模 / 强化学习 相关课程或项目经验优先；\n8、有顶会论文（ICML/KDD/NeurIPS 等）或科研经历优先。",
"requirements_text": "策略模型实习生\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing\n所属部门：D7375\n发布时间：2026-08-05\n\n岗位职责\n1、策略敏感人群挖掘：基于大规模用户行为数据，结合大模型 / 多模态的内容 × 人群画像挖掘，参与人群画像与敏感度建模（Uplift / 因果建模等），识别不同策略下的响应人群 / 响应内容；\n2、模型优化迭代：参与策略模型的特征工程、结构调优、超参寻优，并探索大模型 Embedding / 多模态特征在建模中的应用，提升模型精度与线上效果；\n3、大模型应用探索：参与大模型 / 多模态在策略场景的落地，如内容打标、Embedding 产出、表格大模型、智能分析 Agent 等前沿方向；\n4、数据挖掘与分析：从实验与大盘数据中挖掘规律，借助大模型辅助分析产出可解释、可落地的策略结论；\n5、AI 提效实践：运用 AI 辅助编码与数据分析，参与工具 / Skill 沉淀，提升研发效率。\n\n任职要求\n1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先；\n2、掌握数据挖掘与机器学习基础，熟悉常见模型（XGBoost/GBDT、深度学习等）原理与适用场景；\n3、熟练使用 Python 及主流框架（PyTorch/TensorFlow、sklearn 等），熟悉 SQL；\n4、对大模型（LLM / 多模态）应用有了解或实践，熟悉 Prompt 工程、RAG、Agent、微调等任一方向者优先；\n5、具备 AI 编程能力，能熟练使用 AI 辅助编码 / 分析工具提升效率；\n6、学习能力强、主动性高、对数据敏感，乐于在真实业务中动手验证。\n7、有大模型 / 因果推断 / Uplift 建模 / 强化学习 相关课程或项目经验优先；\n8、有顶会论文（ICML/KDD/NeurIPS 等）或科研经历优先。",
"skills": [AI生成
"Python",
"SQL",
"PyTorch",
"TensorFlow",
"机器学习",
"深度学习",
"强化学习",
"数据分析",
"数据挖掘",
"学习能力",
"建模",
"招聘",
"大语言模型",
"检索增强生成"
],
"preferred_qualifications": "1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先；4、对大模型（LLM / 多模态）应用有了解或实践，熟悉 Prompt 工程、RAG、Agent、微调等任一方向者优先；7、有大模型 / 因果推断 / Uplift 建模 / 强化学习 相关课程或项目经验优先；8、有顶会论文（ICML/KDD/NeurIPS 等）或科研经历优先",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/31737"
}
]
},
"posting": {
"posting_id": "31737",
"post_date": "2026-08-05",
"hire_time": "1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先",
"update_date": "20260917",
"job_url": "https://zhaopin.kuaishou.cn/recruit/e/#/official/social/job-info/31737"
},
"fulltext": "策略模型实习生\n策略模型实习生\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing\n所属部门：D7375\n发布时间：2026-08-05\n\n岗位职责\n1、策略敏感人群挖掘：基于大规模用户行为数据，结合大模型 / 多模态的内容 × 人群画像挖掘，参与人群画像与敏感度建模（Uplift / 因果建模等），识别不同策略下的响应人群 / 响应内容；\n2、模型优化迭代：参与策略模型的特征工程、结构调优、超参寻优，并探索大模型 Embedding / 多模态特征在建模中的应用，提升模型精度与线上效果；\n3、大模型应用探索：参与大模型 / 多模态在策略场景的落地，如内容打标、Embedding 产出、表格大模型、智能分析 Agent 等前沿方向；\n4、数据挖掘与分析：从实验与大盘数据中挖掘规律，借助大模型辅助分析产出可解释、可落地的策略结论；\n5、AI 提效实践：运用 AI 辅助编码与数据分析，参与工具 / Skill 沉淀，提升研发效率。\n\n任职要求\n1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先；\n2、掌握数据挖掘与机器学习基础，熟悉常见模型（XGBoost/GBDT、深度学习等）原理与适用场景；\n3、熟练使用 Python 及主流框架（PyTorch/TensorFlow、sklearn 等），熟悉 SQL；\n4、对大模型（LLM / 多模态）应用有了解或实践，熟悉 Prompt 工程、RAG、Agent、微调等任一方向者优先；\n5、具备 AI 编程能力，能熟练使用 AI 辅助编码 / 分析工具提升效率；\n6、学习能力强、主动性高、对数据敏感，乐于在真实业务中动手验证。\n7、有大模型 / 因果推断 / Uplift 建模 / 强化学习 相关课程或项目经验优先；\n8、有顶会论文（ICML/KDD/NeurIPS 等）或科研经历优先。\n策略模型实习生\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing\n所属部门：D7375\n发布时间：2026-08-05\n\n岗位职责\n1、策略敏感人群挖掘：基于大规模用户行为数据，结合大模型 / 多模态的内容 × 人群画像挖掘，参与人群画像与敏感度建模（Uplift / 因果建模等），识别不同策略下的响应人群 / 响应内容；\n2、模型优化迭代：参与策略模型的特征工程、结构调优、超参寻优，并探索大模型 Embedding / 多模态特征在建模中的应用，提升模型精度与线上效果；\n3、大模型应用探索：参与大模型 / 多模态在策略场景的落地，如内容打标、Embedding 产出、表格大模型、智能分析 Agent 等前沿方向；\n4、数据挖掘与分析：从实验与大盘数据中挖掘规律，借助大模型辅助分析产出可解释、可落地的策略结论；\n5、AI 提效实践：运用 AI 辅助编码与数据分析，参与工具 / Skill 沉淀，提升研发效率。\n\n任职要求\n1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先；\n2、掌握数据挖掘与机器学习基础，熟悉常见模型（XGBoost/GBDT、深度学习等）原理与适用场景；\n3、熟练使用 Python 及主流框架（PyTorch/TensorFlow、sklearn 等），熟悉 SQL；\n4、对大模型（LLM / 多模态）应用有了解或实践，熟悉 Prompt 工程、RAG、Agent、微调等任一方向者优先；\n5、具备 AI 编程能力，能熟练使用 AI 辅助编码 / 分析工具提升效率；\n6、学习能力强、主动性高、对数据敏感，乐于在真实业务中动手验证。\n7、有大模型 / 因果推断 / Uplift 建模 / 强化学习 相关课程或项目经验优先；\n8、有顶会论文（ICML/KDD/NeurIPS 等）或科研经历优先。\n策略模型实习生\n\n基础信息\n招聘类型：实习\n职位类别：J0012\n工作地点：Beijing\n所属部门：D7375\n发布时间：2026-08-05\n\n岗位职责\n1、策略敏感人群挖掘：基于大规模用户行为数据，结合大模型 / 多模态的内容 × 人群画像挖掘，参与人群画像与敏感度建模（Uplift / 因果建模等），识别不同策略下的响应人群 / 响应内容；\n2、模型优化迭代：参与策略模型的特征工程、结构调优、超参寻优，并探索大模型 Embedding / 多模态特征在建模中的应用，提升模型精度与线上效果；\n3、大模型应用探索：参与大模型 / 多模态在策略场景的落地，如内容打标、Embedding 产出、表格大模型、智能分析 Agent 等前沿方向；\n4、数据挖掘与分析：从实验与大盘数据中挖掘规律，借助大模型辅助分析产出可解释、可落地的策略结论；\n5、AI 提效实践：运用 AI 辅助编码与数据分析，参与工具 / Skill 沉淀，提升研发效率。\n\n任职要求\n1、计算机 / 统计 / 数学 / 人工智能等相关专业，在读本科 / 硕士，每周可实习 4 天以上、连续 3 个月以上者优先；\n2、掌握数据挖掘与机器学习基础，熟悉常见模型（XGBoost/GBDT、深度学习等）原理与适用场景；\n3、熟练使用 Python 及主流框架（PyTorch/TensorFlow、sklearn 等），熟悉 SQL；\n4、对大模型（LLM / 多模态）应用有了解或实践，熟悉 Prompt 工程、RAG、Agent、微调等任一方向者优先；\n5、具备 AI 编程能力，能熟练使用 AI 辅助编码 / 分析工具提升效率；\n6、学习能力强、主动性高、对数据敏感，乐于在真实业务中动手验证。\n7、有大模型 / 因果推断 / Uplift 建模 / 强化学习 相关课程或项目经验优先；\n8、有顶会论文（ICML/KDD/NeurIPS 等）或科研经历优先。",
"standard_classification": {
"std_category_code": "T011",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}